文本如何數(shù)字化

鍵盤錄入。選定我們要處理的單元格，再點(diǎn)擊菜單欄里的數(shù)值，找到數(shù)值點(diǎn)小三角，從下拉選項(xiàng)中找到文本轉(zhuǎn)數(shù)字，就完成了。

鍵盤錄入是將文本信息數(shù)字化的常用方法

鍵盤錄入語(yǔ)音識(shí)別輸入光學(xué)字符識(shí)別輸入。用數(shù)字鍵盤輸入文字信息的辦法。

如何把紙質(zhì)文檔數(shù)字化？

用掃描儀，數(shù)碼相機(jī)。拍攝儀都可以，要根據(jù)檔案的種類，選取合適的設(shè)備。另外，還要配備相關(guān)的軟件；譬如：掃描病案資料，建議采用《智慧數(shù)字化病案綜合管理系統(tǒng)》軟件。其他行業(yè)要求不同，軟件也不同。

文字資料數(shù)字化

一、文字資料數(shù)字化原則

現(xiàn)存的航空物探資料是中心開展航空物探50年來(lái)勘查和科研成果的積累，真實(shí)記錄了中心航空物探技術(shù)進(jìn)步和發(fā)展歷程，反映了航空物探在地質(zhì)找礦等方面的先行作用和突出貢獻(xiàn)。為實(shí)現(xiàn)航空物探資料的信息化管理和永久利用，擴(kuò)大航空物探服務(wù)領(lǐng)域，航空物探文字資料數(shù)字化和信息化原則是“尊重歷史，忠實(shí)原著，保持原貌，統(tǒng)一要求，加強(qiáng)監(jiān)控，確保質(zhì)量”。

二、文字資料數(shù)字化流程

航空物探資料文字資料數(shù)字化是把航空物探勘查和科研項(xiàng)目紙質(zhì)文字資料錄入成電子文檔，同時(shí)把手寫、油印的文字資料掃描成圖像格式保存，并編寫項(xiàng)目成果簡(jiǎn)介（圖8-5）。

圖8-5 文字資料數(shù)字化流程圖

三、文字資料數(shù)字化方法

文字資料數(shù)字化實(shí)質(zhì)是對(duì)中心現(xiàn)存的航空物探勘查和科研成果報(bào)告采用掃描識(shí)別和人工錄入兩種方法輸入計(jì)算機(jī)中，并按航空物探信息系統(tǒng)規(guī)定的格式和版式重新編輯，形成Word文檔（DOC格式）和Adobe Acrobat文檔（PDF格式）以滿足入庫(kù)要求。

（一）文字資料介質(zhì)質(zhì)量分類

為采取合理的數(shù)字化方法進(jìn)行文字資料數(shù)字化，通過(guò)對(duì)中心庫(kù)存的文字資料進(jìn)行較詳細(xì)的調(diào)查，按紙質(zhì)資料介質(zhì)質(zhì)量好壞、字跡和插圖清晰程度等將639份勘查和科研成果文字資料（報(bào)告）劃分為較差、中等、較好、良好4類（表8-4）。其中，1973年前資料均較差，較差和中等質(zhì)量的資料都出現(xiàn)在20世紀(jì)80年代中期以前。20世紀(jì)80年代中期以后的項(xiàng)目資料質(zhì)量均屬較好和良好。

表8-4 文字資料介質(zhì)質(zhì)量分類統(tǒng)計(jì)表

（二）文字資料數(shù)字化方法

以資料分類為基礎(chǔ)，根據(jù)文字資料數(shù)字化原則，確定了文字資料數(shù)字化具體方法。

1.人工錄入法

由于較差和中等類資料多數(shù)是手寫、復(fù)寫或油印本，少數(shù)是鉛印本；存放時(shí)間長(zhǎng)，幾經(jīng)輾轉(zhuǎn)搬遷，破損嚴(yán)重，字跡模糊；無(wú)法采用掃描、識(shí)別方法輸入，只能人工錄入。對(duì)錄入工作提出了具體要求，以保證人工錄入質(zhì)量。

2.掃描識(shí)別輸入法

較好和良好類資料都是正規(guī)鉛印或Word文檔（DOC格式）印刷出版，字跡清晰，可用掃描識(shí)別方法予以輸入，與人工錄入方法相比效率較高。

人工錄入、編輯航空物探勘查項(xiàng)目文字報(bào)告608份，約2739.6751萬(wàn)字；人工錄入、編輯航空物探科研項(xiàng)目文字306份，約839.0241萬(wàn)字。

為了保證中心資料獲得長(zhǎng)久保存，同時(shí)對(duì)已人工錄入的全部較差和中等類617份約9719頁(yè)的文字資料（其中，勘查115份，約3240頁(yè)；科研502份，約6479頁(yè)）進(jìn)行了掃描輸入，以PDF格式直接刻制光盤保存。

四、校對(duì)和檢查

文字資料由人工錄入或掃描識(shí)別，經(jīng)自檢形成的Word電子文檔全部校樣必須通過(guò)二校和部分三?；虺闄z，才能進(jìn)入編輯排版，最終生成統(tǒng)一的DOC格式的Word文檔。

由于歷史原因，在早期原稿（包括文字和插圖）中存在著其他一些錯(cuò)誤或不規(guī)范等現(xiàn)象。在保持原稿真實(shí)性的前提下，盡可能地在校樣中對(duì)問(wèn)題予以糾正和變通處理，有些則因本身遺漏或模糊無(wú)法彌補(bǔ)，留下空缺。按原文字資料所附的勘誤表對(duì)文字逐一進(jìn)行了更正，原有勘誤表基本已失去存在意義了。

五、插圖掃描矢量化

使用MapGIS軟件對(duì)原文字報(bào)告中的測(cè)區(qū)示意圖、剖面圖、地質(zhì)解釋圖等1260幅插圖按照原插圖進(jìn)行矢量化，原插圖比例尺使用數(shù)字比例尺表示的換算成線性比例尺，單剖面圖加上剖面比例尺，統(tǒng)一了地質(zhì)圖中的地質(zhì)符號(hào)等，提高文字報(bào)告的插圖質(zhì)量（圖8-6）。

六、編輯排版

除勘查項(xiàng)目與科研項(xiàng)目文字報(bào)告在內(nèi)容上客觀存在的不同外，既使是同一類報(bào)告在報(bào)告內(nèi)容、排版編輯上也都有較大的差別。這是航空物探技術(shù)進(jìn)步必然的反映，也與以往文字資料缺乏統(tǒng)一標(biāo)準(zhǔn)和要求有關(guān)。在本次文字資料數(shù)字化過(guò)程中，根據(jù)項(xiàng)目統(tǒng)一要求，便于計(jì)算機(jī)管理和服務(wù)，在保持報(bào)告內(nèi)容不變的前提下，將所有錄入的文字成果報(bào)告采用Word編輯排版軟件按規(guī)定的編輯模版自動(dòng)生成目錄，并在報(bào)告封面等形式上力求做到統(tǒng)一（校樣最終稿與原稿在報(bào)告封面、目錄級(jí)別、插圖和頁(yè)碼位置等方面都存在著差別，但報(bào)告內(nèi)容沒有改變）。按此要求完成了799份約47645頁(yè)文字資料的排版工作，并把文字資料格式由DOC格式轉(zhuǎn)換為PDF格式。

圖8-6a 矢量化前的插圖

圖8-6b 矢量化后插圖

七、項(xiàng)目簡(jiǎn)介編寫

為了使用戶不閱讀項(xiàng)目成果報(bào)告全文，能夠快速地了解該項(xiàng)目概貌，獲得該成果報(bào)告的主要內(nèi)容和信息，按照航空物探信息系統(tǒng)建庫(kù)要求，編寫了航空物探勘查和科研項(xiàng)目簡(jiǎn)介455份，約28萬(wàn)字。其中，航空物探勘查成果報(bào)告423份，約26萬(wàn)字；科研成果報(bào)告32份，約2萬(wàn)字。以濃縮的形式概括項(xiàng)目成果的主要內(nèi)容，包括工作方法或研究方法、質(zhì)量評(píng)價(jià)，取得的主要成果和最終結(jié)論。

相關(guān)資料數(shù)字化

實(shí)物相關(guān)資料數(shù)字化是對(duì)實(shí)物相關(guān)的文字、圖件、表格等文件的數(shù)字化以及電子文件的制作。目的是配合實(shí)物數(shù)字化，形成完整的實(shí)物地質(zhì)資料圖文圖像系統(tǒng)，進(jìn)而建立數(shù)字化實(shí)物地質(zhì)資料閱覽室，提高實(shí)物地質(zhì)資料利用率，并有效地保護(hù)館藏圖文資料，為實(shí)物地質(zhì)資料信息共享提供基礎(chǔ)。

實(shí)物地質(zhì)資料相關(guān)的圖文資料包括文本資料和圖紙資料，數(shù)字化工作也是針對(duì)這兩類資料而言的。

（一）文本資料數(shù)字化

1.工作流程及方法

文本資料數(shù)字化是通過(guò)掃描的方法把以紙介質(zhì)為載體的地質(zhì)資料轉(zhuǎn)變?yōu)橐噪娮訛榻橘|(zhì)的電子文件，并進(jìn)行文件組織的過(guò)程。主要工作過(guò)程包括資料準(zhǔn)備、掃描、圖像處理、生成電子文件、文檔組織與保存等幾個(gè)方面（圖7-25）。

圖7-25 文本資料數(shù)字化工作流程

（1）掃描前的準(zhǔn)備工作：做好文本資料的準(zhǔn)備工作是十分必要的。資料的單冊(cè)厚度影響著文本的掃描質(zhì)量，越厚越不利于掃描，有些文本裝訂得比較厚時(shí)，應(yīng)將文本拆開進(jìn)行掃描，掃描工作結(jié)束后再按照檔案管理的要求進(jìn)行重新裝訂。在進(jìn)行若干份單頁(yè)的文件掃描時(shí)，掃描前要做好資料的登記工作，以免丟失。利用文檔掃描儀進(jìn)行多頁(yè)文件掃描之前，要對(duì)文本資料進(jìn)行除靜電處理。

（2）圖像掃描：對(duì)于文本資料紙質(zhì)較好，又不超過(guò)標(biāo)準(zhǔn)A4版面的時(shí)候，為節(jié)省掃描時(shí)間，提高工作效率可以采用專用的多頁(yè)文檔掃描儀進(jìn)行連續(xù)掃描，其他的文本資料使用平板掃描儀逐頁(yè)進(jìn)行掃描。掃描類型的選擇是完成文本數(shù)字化工作的重要環(huán)節(jié)。正確地選擇掃描類型，是提高掃描質(zhì)量的保證。掃描類型的選擇是由原件的類型來(lái)確定的。常用文本資料的掃描類型有黑白二值、RGB、灰階3種：①黑白二值方式，當(dāng)文字或表格質(zhì)量都非常高時(shí)，采用這種方式掃描，掃描效果較好；②灰階方式，當(dāng)文本資料字跡不清楚或是表格時(shí)，使用黑白二值方式產(chǎn)生的圖像效果較差，表格線會(huì)斷斷續(xù)續(xù)，此時(shí)可選用灰階方式掃描，但這種方式掃描的圖像有較多的灰色印跡，需在后期進(jìn)行圖像處理時(shí)，使圖像達(dá)到最佳效果；③RGB方式，對(duì)文本資料中的彩色圖件一般采用這種方式進(jìn)行掃描，用這種方式掃描產(chǎn)生的文件占用的磁盤空間較大，在掃描時(shí)應(yīng)進(jìn)行亮度、對(duì)比度及色度的調(diào)整，通過(guò)反復(fù)對(duì)比，使圖件色彩達(dá)到最佳的效果。在掃描前應(yīng)進(jìn)行預(yù)掃描，目的是選擇掃描分辨率及調(diào)整亮度和對(duì)比度。掃描分辨率、亮度及對(duì)比度調(diào)整與文本資料的質(zhì)量有一定的關(guān)系，當(dāng)一冊(cè)文本資料質(zhì)量變化不大時(shí)，選擇一頁(yè)或幾頁(yè)進(jìn)行掃描實(shí)驗(yàn)，結(jié)合掃描工作經(jīng)驗(yàn)選擇適合的分辨率、亮度及對(duì)比度；當(dāng)文本質(zhì)量有明顯變化時(shí)，每頁(yè)資料的亮度及對(duì)比度都要分別進(jìn)行調(diào)整。每次掃描時(shí)若不進(jìn)行掃描區(qū)域的選擇，掃描區(qū)域就與上次的掃描區(qū)域相同，這樣有可能漏掉文本內(nèi)容。掃描區(qū)域過(guò)大，掃描時(shí)間就延長(zhǎng)，文件所占的空間增大，增加后期圖像處理的工作量。根據(jù)選擇掃描類型的不同，文件存儲(chǔ)格式也有所不同。黑白二值方式掃描產(chǎn)生的圖像不能進(jìn)行糾斜和旋轉(zhuǎn)，存儲(chǔ)格式為 TIFF；灰階和RGB方式掃描存儲(chǔ)格式均為JPG，這種格式是經(jīng)過(guò)壓縮的。當(dāng)掃描參數(shù)調(diào)整完成時(shí)，就要選擇路徑將掃描文件進(jìn)行保存。掃描文件最好是放置在一個(gè)獨(dú)立的位置上，以免與其他文件混淆。文件的名稱能反映其中文本資料的主題內(nèi)容。與此同時(shí)，還要給每頁(yè)文件確定一個(gè)適當(dāng)?shù)拿Q，最好以文件的頁(yè)碼為文件的名稱，以便對(duì)文件進(jìn)行排版時(shí)不會(huì)出順序上的錯(cuò)誤。同時(shí)保證以后再對(duì)文件進(jìn)行處理時(shí)能很快識(shí)別此文件是屬于哪個(gè)類別的、哪個(gè)地區(qū)的、哪個(gè)鉆孔的等。如圖7 26所示。在掃描方式、掃描參數(shù)、存儲(chǔ)格式、存儲(chǔ)路徑和文件名都已設(shè)定好之后，就可以進(jìn)行掃描了。當(dāng)頁(yè)面大于A4幅面時(shí)，可以用A3大幅面掃描儀進(jìn)行掃描，對(duì)于超過(guò)A3 幅面的文本資料可以分次掃描，掃描完成后再進(jìn)行拼接。掃描是整個(gè)數(shù)字化工作中最基礎(chǔ)、最關(guān)鍵的環(huán)節(jié)，好的掃描質(zhì)量，能夠使電子文件獲取清晰度較高的效果，投入最少的整飾工作量，從而節(jié)省大量的時(shí)間、人力和物力。

圖7-26 文件存儲(chǔ)結(jié)構(gòu)示意

（3）圖像處理：當(dāng)完成一冊(cè)文本資料的掃描工作后，此文本資料以一系列圖像形式的文件保存在一個(gè)固定的文件夾內(nèi)。這些圖像需調(diào)整處理，才能達(dá)到文本數(shù)字化的要求。在Photoshop中打開掃描圖像，逐個(gè)進(jìn)行糾斜、旋轉(zhuǎn)、剪裁、去污、亮度/對(duì)比度等的調(diào)整。經(jīng)過(guò)幾次這樣的調(diào)整，使圖像達(dá)到真實(shí)反映文本資料原貌。

（4）生成電子文件：將調(diào)整好的單個(gè)圖像文件逐個(gè)插入到Word文檔中，形成Word格式的文檔，然后再轉(zhuǎn)化成PDF格式文件，文件名要與每?jī)?cè)文本資料的名稱相同或相近，如大巴山地應(yīng)力孔的《巖礦心接收登記表》，電子文件命名為“巖礦心接收登記表.PDF”。

（5）文檔組織與保存：當(dāng)完成了一個(gè)礦區(qū)的所有文本資料的掃描工作以后，將形成的PDF文件按一定的順序重新組織編排，生成具有目錄索引特征的單個(gè)PDF文件，其格式見圖7-27。

圖7-27 PDF電子文件界面

2.影響文本資料掃描效果的主要因素

將文本資料平放在掃描儀的掃描區(qū)域中，有的文本資料裝訂得比較規(guī)范，一般情況下在掃描前不需拆開，進(jìn)行掃描時(shí)掃描人員用手緊壓文本資料，盡可能地緊貼掃描面板，以保證有較好的掃描效果。如果文本資料較薄，則可用掃描儀的蓋板壓緊即可。這個(gè)環(huán)節(jié)的操作要輕拿輕放，避免文本資料在掃描板上滑動(dòng)，劃傷掃描板，直接影響掃描的效果。

目前收集來(lái)的一些實(shí)物相關(guān)資料是20世紀(jì)80年代初期產(chǎn)生的，隨著時(shí)間的推移，許多文本資料字跡已經(jīng)很模糊，這些資料又多以復(fù)印件為主，特別是野外記錄本和一些整理資料多數(shù)都是手寫資料，字體不一，書寫也不規(guī)范，資料內(nèi)容就更為模糊了，這樣的資料掃描難度較大，效果也不理想。

有的文本資料的厚度大又不宜拆開，直接影響了掃描質(zhì)量，文本資料越厚在掃描過(guò)程中就越不容易壓平，掃描后非常不清楚。因此在掃描較厚的文本資料時(shí)，需要掃描人員用手使勁壓平文本，才能保證掃描的質(zhì)量。顯而易見，這樣掃描會(huì)降低掃描的效率，因此在掃描這種較厚的文本資料時(shí)，要求工作人員必須有耐心，將每一頁(yè)資料都能充分地?cái)[正放平，使每一部分信息都能掃描得非常清晰。

（二）圖紙的掃描

在實(shí)物地質(zhì)資料中，有一部分資料是地形圖、剖面圖、地質(zhì)圖、柱狀圖等，其幅面一般都超過(guò)A3。這部分圖紙使用A0工程掃描儀掃描。

1.掃描儀參數(shù)的設(shè)定

通過(guò)實(shí)驗(yàn)，圖紙掃描分辨率采用200dpi，掃描方式采用灰度，圖像保存格式為tif，基本能夠滿足資料利用的需要。

2.影響圖紙掃描效果的幾個(gè)因素及處理方法

（1）掃描儀的校準(zhǔn)：在試掃描過(guò)程中發(fā)現(xiàn)，在每張圖紙的左側(cè)，總是有一條直線，有上下錯(cuò)位的現(xiàn)象發(fā)生，為了不影響圖像的質(zhì)量，筆者請(qǐng)教了熟悉掃描儀操作的同志，之所以出現(xiàn)這種現(xiàn)象，是由于掃描儀的3個(gè)鏡頭在掃描過(guò)程中發(fā)生了錯(cuò)位，導(dǎo)致一條直線出現(xiàn)“折斷”的現(xiàn)象。為了解決這一問(wèn)題，每次掃描前，首先進(jìn)行掃描校準(zhǔn)。

（2）圖紙的質(zhì)量：有的柱狀圖由于太長(zhǎng)，在平常的保存過(guò)程中一直是卷成筒狀的，并用棉線輕輕捆綁著。因此在圖紙的邊緣部分，常出現(xiàn)磨痕或裂口。這樣的圖紙?jiān)跐L動(dòng)掃描時(shí)，稍不注意就會(huì)出現(xiàn)不同步現(xiàn)象，使掃描圖像發(fā)生偏斜扭曲。處理這種情況的方法是對(duì)圖紙進(jìn)行修復(fù)，方法是在圖紙的邊緣用乳膠粘上一層薄紙，再用熨斗熨平。

數(shù)字化后的文字信息處理技術(shù)是什么

文字信息處理的實(shí)質(zhì)，是先把文字信息數(shù)字化，即用一個(gè)固定的數(shù)碼代表一個(gè)字母或文字。例如，在英文信息中，以26個(gè)字母作為文字信息處理的單位，因此要對(duì)26個(gè)字母逐個(gè)地確定代替它的數(shù)碼。在漢字的情況下，一般是以一個(gè)整字作為文字信息處理的單位，因此要對(duì)每一個(gè)整字惟一地確定代表它的數(shù)碼。這一數(shù)碼統(tǒng)稱為代碼(code)。在計(jì)算機(jī)內(nèi)部處理文字信息時(shí)，就像處理數(shù)據(jù)一樣對(duì)待。處理完畢后，再把替代的數(shù)碼還原成相應(yīng)的字母或文字。利用計(jì)算機(jī)能夠調(diào)整處理數(shù)據(jù)的性能，使文字信息處理也能夠分享計(jì)算機(jī)技術(shù)的這一獨(dú)特優(yōu)點(diǎn)，從而實(shí)現(xiàn)文字信息處理的高效化。
計(jì)算機(jī)之所以能有較高的運(yùn)算和處理能力，是由于它利用了電子處理技術(shù)以及二進(jìn)制數(shù)運(yùn)算這一法則。計(jì)算機(jī)中的運(yùn)算器，利用半導(dǎo)體器件的兩個(gè)狀態(tài)(通和斷)的變化，代表二進(jìn)制數(shù)字串中的一個(gè)二進(jìn)制數(shù)位上的“1”或“0”的變化，從而能夠高速地執(zhí)行二進(jìn)制數(shù)的數(shù)值或邏輯運(yùn)算。實(shí)際上，計(jì)算機(jī)無(wú)論做數(shù)值的或任何種類信息的運(yùn)算或處理，最基本的運(yùn)算操作就是這種二進(jìn)制數(shù)的演算。