УДК 004.622, 004.415.2
DOI 10.52575/2687-0932-2021-48-3-564-577
Подготовка метаданных публикаций для пакетного импорта в институциональный репозиторий на платформе DSpace
Резниченко О.С.
Белгородский государственный национальный исследовательский университет, Россия, 308015, г. Белгород, ул. Победы, 85 E-mail: oreznichenko@bsu.edu.ru
Аннотация. Внесение метаданных о научных публикациях в институциональный репозиторий на платформе DSpace вручную занимает значительное время, даже когда данные представляют собой готовые выгрузки из реферативных баз Scopus и Web of Science, и уже имеют формат, близкий к Dublin Core. Для решения задачи преобразования и объединения данных, а также интеграции в итоговый набор метаданных оригинал-макетов публикаций с целью их пакетного импорта в университетский репозиторий, были разработаны алгоритмы использования стандартных офисных приложений и бесплатного ПО, а также созданы программные скрипты, которые позволили автоматизировать большинство рутинных операций. Использование этих алгоритмов и созданного ПО показало двадцатидевятикратное сокращение временных затрат в сравнении с ручным вводом метаданных в DSpace.
Ключевые слова: институциональный репозиторий, Web of Science, DSpace, Microsoft Excel, Python, pandas.DataFrame.
Для цитирования: Резниченко О.С. 2021. Подготовка метаданных публикаций для пакетного импорта в институциональный репозиторий, основанный на DSpace. Экономика. Информатика, 48 (3): 564-577. DOI 10.52575/2687-0932-2021-48-3-564-577.
Preparation articles metadata for batch import into DSpace repository
Oleg S. Reznichenko
Belgorod National Research University 85 Pobeda St, Belgorod, 308015, Russia E-mail: oreznichenko@bsu.edu.ru
Abstract. Manual import of metadata records about research articles in institutional repository DSpace take a lot of time even when the input data uploads from Scopus and Web of Science databases and already has a format close to Dublin Core Metadata Element Set. To solve the problem of transforming and combining data, as well as integrating the article PDFs into the final metadata archive, some algorithms were developed. Algorithms use Microsoft Office Excel and free software. In addition, software tools by Python-scripts using "pandas" software library were created that automate most of the routine operations such as combine Scopus and Web of Science databases data export into single file, records dublicate exclude, converting authors record format and excluding records which already exist in DSpace repository. The use of these algorithms and the created software tools help to create Simple Archive Format file for batch import into DSpace repository and demonstrated a 29-fold reduction in time compared to manually metadata entering.
Keywords: Institutional Repository, Scopus, Web of Science, DSpace, Microsoft Excel, Python, pandas .DataFrame.
For citation: Reznichenko O.S. 2021. Preparation article metadata for batch import into DSpace repository. Economics. Information technologies, 48 (3): 564-577 (in Russian). DOI 10.52575/2687-0932-2021-48-3-564-577.
Введение
Институциональные репозитории открытого доступа в России продолжают активно развиваться. Главным образом существующие в стране репозитории основаны на программных платформах, использующих общий открытый стандарт OAI-PMH. Наибольшей популярностью среди российских репозиториев пользуется открытое веб-приложение DSpace [DuraSpace, 2021], однако, некоторые национальные репозитории используют в своей основе и другие программные платформы, такие как Socionet, Invenio, EPrints, vital и т. д. [Fedotova et al., 2020; SHERPA, 2021]. В Белгородском государственном национальном исследовательском университете (далее - БелГУ, университет) институциональный репозиторий также организован на программной платформе DSpace версии 5.5 и является одним из самых крупных репозиториев в России - содержит более чем 40 тысяч метаданных [Southampton, 2021]. В рамках реализации задач «Белгородской Декларации об открытом доступе к научным знаниям и культурному наследию в научно-образовательном пространстве» университетский репозиторий непрерывно пополняется сотрудниками научно-библиографического консультационного центра, которые добавляют вручную до 30 записей в течение рабочего дня. Согласно правилам, установленным в Центре, обязательным условием размещения в репозитории информации о публикации является наличие ее полного текста в виде скан-копий в формате pdf, что существенно ограничивает возможности пакетного импорта метаданных из других открытых источников. В апреле 2018 года электронный архив открытого доступа НИУ «БелГУ» (далее - университетский репозиторий) присоединился к Национальному агрегатору открытых репозиториев российских университетов (НОРА). Основатели проекта НОРА НП «НЭИКОН», анализируя общий поток статей авторов университета в наукометрических реферативных базах порталов Scopus (далее - Scopus) и Web of Science Core Collection (далее - WoS), обнаружили, что не все включенные в базы статьи присутствуют в университетском репозитории и предложили пополнить его, выгрузив тексты статей открытого доступа с целью их дальнейшего размещения в репозитории. Имея в наличии файлы с полными текстами публикаций, возникает проблема их анализа, сопоставления с метаданными, полученными на основе выгрузки из баз Scopus и WoS, а также внесения метаданных в университетский репозиторий, что при ручном выполнении всех операций будет занимать десятки часов рабочего времени. Использование существующего в репозитории механизма пакетного импорта метаданных также займет значительное время, основная часть которого уйдет на ручное формирование сводного файла для импорта. Для сокращения времени на подготовку архива публикаций в рамках данного исследования разрабатываются алгоритмы и программные инструменты, решающие задачу автоматизации процесса подготовки метаданных, описывающих публикации открытого доступа из баз Scopus и WoS, включая описание процесса интеграции в эти метаданные файлов с полными текстами исходных документов с целью последующего пакетного импорта готового архива в университетский репозиторий. Потребность в разработке алгоритмов и инструментов для предобразования экспортированных данных о публикациях в нужный формат обусловлена не только разовой необходимостью, но и возможностью их повторного применения при возникновении аналогичной задачи в будущем, в том числе, когда аналогичная задача возникает перед администраторами институциональных репозиториев в других научных организациях. Вопросы преобразования и пакетной загрузки данных в репозитории на основе DSpace рассмотрены в нескольких исследованиях. В статьях [Walsh, 2010] и [Deng, 2010] предложены инструменты для пакетной загрузки данных в коллекции DSpace, однако описанные там программные инструменты необходимо каждый раз адаптировать под новый формат входных данных, либо же адаптировать исходные данные для использования предложенного инструментария, что также займет некоторое время, даже при автоматизации большинства операцией преобразования входных данных. В отличие от описанных выше исследований, инструменты, разработанные в ходе исследования [Nash, 2016] в качестве
выходных данных, используют формат Simple Archive Format (далее - SAF), использующийся в репозиториях на основе DSpace версии 5 и выше, и предполагающие импорт архива встроенным средством пользовательского веб-интерфейса. Однако при этом входные данные, с которыми работают эти инструменты, также имеют ориентацию на собственный формат входных данных в виде экспорта из базы данных Native Health Database библиотеки Health Sciences Library & Informatics Center The University of New Mexico университета Нью-Мексико. Аналогичная ситуация имеет место при использовании инструментов, разработанных в ходе исследования [Gafurova at al., 2020], в котором осуществлялась конвертация и нормализация данных, экспортированных из таких библиотек, как EuDML, MathNet.Ru, DBLP. Использование предложенных в исследованиях [Nash, 2016] и [Gafurova at al., 2020] инструментов также требует значительных преобразований входных данных.
Описание методов и средств реализации
Выбор инструментальных средств для реализации преобразования данных обусловлен не только их доступностью, но и особенностями формата входных данных, а также выбранным способом реализации задачи. Исходными данными для импорта выступают сведения, представленные в базах Scopus и WoS в виде файлов экспорта, которые можно получить встроенными средствами соответствующих web-приложений, используя интернет-браузер. Специфика формата экспортируемых из баз Scopus и WoS данных предполагает для их анализа и обработки использовать средства процессора электронных таблиц Microsoft Office Excel (далее - Excel) и его настройки Microsoft Power Query [Microsoft, 2021 ]. Так как форматы данных в экспортных файлах Scopus и WoS имеют отличия, то предлагается разработать программное средство для объединения выгруженных метаданных в единый табличный файл. Разово эту задачу можно решить средствами того же Excel, затратив при этом от сорока минут, предусмотрев при этом неизбежное возникновение дублирующих записей, которые невозможно отследить средствами Excel из-за незначительных различий в написании заголовков публикаций. Однако целесообразней разработать и использовать несколько программных функций, которые бы не только решали задачи объединения данных из двух источников, но и автоматизировали другие задачи, связанные с преобразованием данных, а также формированием итогового архива для пакетного импорта. В данном исследовании для реализации поставленных задач используются средства языка программирования Python 3.9, включая функции библиотеки для анализа и обработки больших данных Pandas. Используя структуру данных Dataframe модуля Pandas [Wood, 2021], можно осуществлять необходимую обработку и преобразования данных, представленных в табличном виде. Для удобства работы со средой Python, осуществления отладки подпрограмм, а также подключения дополнительных библиотек используется интегрированная среда разработки PyCharm Community Edition [JetBrains, 2021]. Для получения списка имен файлов-макетов публикаций, а также пакетного переименования этих файлов по заданному шаблону, применяется бесплатное приложение Advanced Renamer [Jensen, 2021]. Генерация файла-архива для импорта в DSpace производится с помощью бесплатной утилиты SAFBuilder [Dietz, 2015], для работы которой требуется предустановленная виртуальная машина Java Runtime Environment [Oracle, 2021].
Описание структуры исходных данных и структуры выходного файла
Структура метаданных одной публикации в университетском репозитории соответствует набору элементов Дублинского Ядра (далее - DC) [Middleton, 2021]. Просмотреть и проанализировать конкретный набор элементов метаданных можно отобразив полное описание конкретной публикации (ресурса) в репозитории (рис. 1).
В табл. 1 представлен полный список элементов DC, входящих в состав метаданных описания ресурса в университетском репозитории, с их описанием. Этот набор метаданных будет определяющим при отборе полей в экспортных файлах из баз Scopus и WoS.
Б
А Главная страница Просмотр
Поиск в архиве
Е
Дата публикации:
Б ибл и о граф m ее кое описание:
Краткий осмотр (реферат):
Microsoft Word
Резниченко, О. С. Методика автоматизированного формирования сведений о научных публикациях университета для отч НИР Минобрнауки России / О.С. Резниченко, С. И. Сиваков; Т.А. Резниченко И Университетское управление: практика и ан С. 44-58.
Разработанная методика предполагает использование исключительно инструментария стандартных офисных приложени может быть освоена сотрудниками со средним уровнем впадения персональным компьютером. Результаты исследсванш сокращение временных затрат в 3,5 раза ло сравнению с ручным вводом данных в профильную информационную систеп
URI
{Унифицированный
идентификатор
ресурса):
Располагается в коллекциях:
http://dspa се. bsu edu ru/han d 1е/123 45678 9/35969
Статьи из периодических изданий {на русском языке)
Файлы этого ресурса:
Файл Описание Размер Формат
Reznicfie п Ком etod iKa_20. pdf 2.27 МБ Adobe PDF
Рис. 1. Просмотр полного описания публикации в университетском репозитории Fig. 1. Description of full article record in the University Open Access Repository
Таблица 1 Table 1
Полная запись метаданных описания публикации Full article metadata record
Код поля в формате DC Описание
dc.contributor.author Первый автор
dc.contributor.author Второй автор
Остальные авторы
dc.date.issued Год опубликования
dc.identifier.citation Информация для цитирования
dc.identifier.uri Идентификатор ресурса в репозитории
dc.description.abstract Аннотация
dc.description.provenance Submitted by Администратор Ресурса (dspace@bsu.edu.ru) on 2020-05-24T14:11:53Z No. of bitstreams: 1 Moskovkin Instrumenty.pdf: 752845 bytes, checksum: 83a9d4082047dca040d00487068e96d3 (MD5)
dc.subject Первое ключевое слово
Остальные ключевые слова
dc.title Заглавие публикации
dc.type Тип публикации
dc.identifier.citationpublication Название журнала\издания
dc.identifier.citationvolume Номер тома журнала\издания
dc.identifier.citationnumber Номер выпуска журнала\издания
dc.identifier.citationfirstpage Номер начальной страницы публикации
dc.identifier.citationendpage Номер последней страницы публикации
dc.language.iso Язык публикации
Scopus [Elsevier, 2021] - это библиографическая и реферативная база данных и инструмент для отслеживания цитируемости статей, опубликованных в научных изданиях. База данных доступна научным организациям через веб-интерфейс на условиях Национальной подписки и только с определенных подпиской IP-адресов. Поисковый аппарат Scopus интегрирован с поисковой системой Scirus для поиска веб-страниц и позволяет экспортировать до 20 000 записей, в том числе в формате «CSV Excel» (рис. 2).
■ www.scopus.com/resijlts/results.uri
Export document settings ©
You have chosen to export 4347 dociimerits
Select your method of export
Q ^ MENDELEY O txLibnS O RIS Format
Reworks EndNote,
Reference Manager
(§) CSV O BïbTeX О Plain Text Excel ASCII in HTML
What information do you want to export?
(] Citation information ] Bibliographical information
© Authors) ] Affiliations
\M\ Authors) ID ] Serial identifiers (e.g. ISSN)
[] Document title □ PubMedID
g] Year □ Publisher
H EID □ Editors)
[] Source title ] Language of original document
j] volume, issue, pages ] Correspondence address
j] Citation count ] Abbreviated source title
[] Source ^document type
[] Publication Stage
m DOI
[] Open Access
Рис. 2. Окно экспорта сведений о публикациях из базы Scopus в формат «csv» Fig. 2. Web-interface for exporting information about articles from the Scopus database into the "csv" format
Web of Science Core Collection (WoS) [Clarivate, 2021] - поисковая интернет-платформа, объединяющая реферативные базы данных публикаций в научных журналах и патентов, в том числе базы, учитывающие взаимное цитирование публикаций. В этой платформе предусмотрены возможности поиска и анализа библиографической информации и
управления ею, а также возможность экспорта записей в формате Excel (рис. 3). База данных Web of Science Core Collection также доступна через веб-интерфейс на условиях Национальной подписки.
Рис. 3. Окно экспорта сведений о публикациях из базы Web of Science в формат «xls» Fig. 3. Web-interface for exporting information about articles from the Scopus database
into the Excel format
В результате экспорта получается два файла в формате «csv» и «жЬ». В табл. 2 представлены только значимые для решения задачи поля экспортных табличных файлов, то есть поля, определяемые структурой метаданных университетского репозитория согласно DC.
Таблица 2 Table 2
Названия и описания полей экспортных табличных файлов из баз Scopus и WoS Names and descriptions of fields of export files from Scopus and WoS databases
Поля Scopus Поля WoS Описание
1 2 3
Authors Author Full Names Список авторов с разделителями
Title Article Title Заглавие публикации
Year Publication Year Год опубликования статьи
Source title Source Title Название журнала\издания
Volume Volume Номер тома журнала\издания
Issue Issue Номер выпуска журнала\издания
Окончание таблицы 2 End of the table 2
1 2 3
Art. No. Article Number Номер статьи в выпуске
Page start Start Page Номер начальной страницы публикации
Page end End Page Номер последней страницы публикации
EID UT (Unique WOS ID) Идентификаторы публикации в наукометрических базах
Abstract Abstract Аннотация
Все перечисленные в таблице поля и их содержимое войдет в состав результирующего табличного файла при подготовке архива для пакетного импорта. Комплект полных текстов научных публикаций представлен набором pdf-файлов оригинал-макетов, имена которых состоят из связки «Заглавие публикации» и «Название источника» на английском языке, причем слова в именах файлов разделены символом «_» (нижнее подчеркивание).
Описание алгоритмов и особенностей реализации программных инструментов
Схема, описывающая общий укрупнённый алгоритм подготовки и импорта в институциональный репозиторий метаданных о публикациях из баз Scopus и WoS, представлена на рис. 4.
Рис. 4. Общий алгоритм подготовки и импорта метаданных о публикациях Fig. 4. General algorithm for preparing and importing articles metadata
Ниже описываются алгоритмы подпроцессов, а также программные инструменты для реализации каждого из этапов процесса формирования архивного файла для пакетного импорта в репозиторий.
Особенность экспорта из WoS заключается в том, что за один раз имеется возможность экспортировать не более одной тысячи записей о публикациях, поэтому производить экспорт при наличии подобных ограничений рекомендуется раздельно по годам, с последующим объединением экспортных файлов в единую таблицу (шаг 3 общего алгоритма).
Для автоматического объединения экспортных файлов из баз Scopus и WoS с исключением дублирующихся записей (шаг 4 общего алгоритма) был разработан скрипт на языке Python, алгоритм которого представлен на рис. 5.
С
Начало
1 .Удаление кириллических символов из заголовков публ Scopus
7 Формирование списка схожих заголовков в публ Scopus и WoS
Исключение по полю UT из списка WoS публ. которые есть в списке схожих
4 Переименование соотеет заголовков столбцов табл. WoS в значения заголовков столбцов табл. Scopus
1 f
5.Слияние таблиц Scopus и WoS
i *
6 Экспорт итогового Dataf rame в f xcel
с
Конец
Рис. 5. Блок-схема алгоритма объединения файлов экспорта из баз Scopus и WoS
в один сводный файл Fig. 5. Flowchart of the algorithm for combining export files from bases Scopus and WoS
into single table
Открытие и чтение экспортных файлов осуществляется методами «read_csv» и «read_excel» библиотеки «pandas», для работы которых необходима дополнительная библиотека «xlrd». Зачастую в таблице-экспорте из базы Scopus названия статей дублируются с названиями на национальных языках, что может привести к невозможности корректно объединить данные с экспортом WoS, исключив дубли, из-за наличия существенных отличий в написании заголовков. Поэтому, прежде чем производить сравнение названий публикаций по столбцу «Title» таблиц-экспортов из баз Scopus и WoS, необходимо удалить из этих столбцов кириллические символы. Для этого используется следующая скриптовая конструкция в виде лямбда-функции на основе следующего регулярного выражения библиотеки «Re» [Rachum, 2021]:
df['Title'] = df['Title'].apply(lambda x: re.sub('\s+', ' re.subC^-Яа-я]1, x)).stripO)
Само сравнение заголовков публикаций производится посредством метода «ratio» библиотеки нечеткого сравнения «fuzzywuzzy» [Bicking, Leidel, 2021], при этом в качестве уровня «похожести» субъективно выбирается уровень не ниже 90 % сходства заголовков. Исходный код скрипта для объединения экспортных файлов из баз Scopus и WoS приведен в прил. 1.
В результирующем файле также необходимо сделать ряд последовательных преобразований данных:
1) сформировать новый столбец «Заглавие+Источник», значения в котором получены путем сцепления значений столбцов «Title» и «Source» (шаг 5 общего алгоритма);
2) получить список имен файлов с pdf-макетами публикаций, заменить в каждом имени файла символ «_» (нижнее подчеркивание) на « » (пробел) (шаг 6 общего алгоритма). Получить список можно используя функционал бесплатной программы Advanced Renamer (рис. 6);
■торт » £ Программа " Панель папок Справка » Метаданные Консоль JS ',■ Отмена изменений...
Пакетный режии: Переименовать
Переименовать Файлы Переименовать Папки
О Добавить Имя файла
0Т- lLAnnino-at 0Т- 1-R3-53H-0П 57Fe-Mssb, 0Т- A-choice-ol 0™ Adaptive-р 0TL Adsorption
— Список *
П Настройка столбцов Миниатюры ц *
Загрузить..
И|"
Сохранить...
^ Очистить..,
Удалить элементы с ошибками Удалить элементы без ЮЗ тегов
Удалить элементы без информации об изображении
idothelial-function -but-stimulât... k-antidiabetic-active-pharrinace... iysics.pdf /iews.pdf
;ssional-tiainingHurinanities-and... ay-and -hydroxy apatitelndones...
0™ Advancing -diagnostics-of-chronic-paradontitis -in -children-Russian - Journal -of-Infection -and -Immunity. pdf
0™ A -fractional -equation-with -leftsided -fractional -bessel -derivatives -of-gerasimovcaputo -typeMathematics. pdf 0™ Agreements -in -criminal -processes -Problems -of-application-and -de velopmen tHunnani ties -and -Social -Sciences -Re vie.
17711
-..-I .-, .14-. „--.I
-^-b- -—;-k -.„J I - ■■ ^nil с
Новс
llAn 1-R3-57Fe A-ch. Adap Adso Adva A-ftc Agre
Рис. 6. Окно утилиты «Advanced Renamer» с функционалом извлечения списка файлов в папке Fig. 6. Tool "Advanced Renamer" with the functionality of extracting a list of files in a folder
3) сопоставить получившиеся имена файлов со значениями из столбца «Заглавие+Источник», используя модифицированный алгоритм определения схожести значений, разработанный на основе ранее созданного кода. В качестве критерия уровня схожести также использован субъективный уровень в 90 % сходства (шаг 7 общего алгоритма);
4) используя функцию ВПР [Bruns, 2021], соотнести сопоставленные имена файлов с соответствующими записями в сводном экспортном файле. В качестве критерия сопоставления используются значения из поля «Заглавие+Источник». В результате имена оригинальных файлов соотносятся с соответствующими идентификаторами публикаций в базах Scopus или WoS (поля «EID» или «UT» соответственно);
5) в имена файлов посредством автозамены вместо пробела в качестве разделителя слов возвращается символ «_» (нижнее подчеркивание), а длина имен файлов усекается до 40 символов, чтобы не возникало потенциальных проблем совместимости размера имен файлов с разными файловыми системами (шаг 8 общего алгоритма). При этом, если при усечении образуются одинаковые заглавия, то к каждому такому заглавию вручную добавляется дополнительный символ, например, цифра-счетчик;
6) на основе получившегося списка с модифицированными именами фалов pdf-макетов посредством функционала все той же программы Advanced Renamer производится пакетное переименование исходных файлов.
Следующим этапом является сравнение подготовленных сводных данных со сведениями о публикациях, которые ранее уже были загружены в репозиторий сотрудниками научно-библиографического консультационного центра (шаги 9-10 общего алгоритма). В репозитории университета статьи, входящие в реферативные базы Scopus и WoS, находятся в отдельной коллекции и могут быть выгружены штатными средствами DSpace (рис. 7).
Рис. 7. Окно выгрузки метаданных коллекции из университетского репозитория Fig. 7. Web-interface for unloading collection metadata from DSpace repository
Выявление дубликатов происходит посредством все той же подпрограммы определения похожести заголовков, степень похожести при этом субъективно выбрана на уровне 80 %, чтобы охватить более существенные различия в написании заголовков публикаций. Особенностью именно этого алгоритма сравнения является необходимость предварительного приведения символов в значениях поля «Title» в выгрузке из коллекции к среднему уровню верхнего и нижнего индекса, а также приведение значений полей «Title» сводного файла и экспорта к единому (верхнему) регистру. Описанный функционал реализуется посредством следующего Python-скрипта:
SUB = str.maketrans("oi23456789", "0123456789", )
dfw1['dc.title[ru]'] = dfw1['dc.title[ru]'].str.translate(SUB) dfw1['dc.title[ru]'] = dfw1['dc.title[ru]'].str.upper() dfs1['dc.title'] = dfs1['dc.title'].str.upper()
Так как в экспортных таблицах из баз Scopus и WoS форматы записи имен соавторов публикаций имеют некоторые отличия в части использования разделителей между фамилией и инициалами соавторов, а также следуя требованию DC, для приведения списка соавторов к формату «Фамилия, И. О.» необходимо в сводной таблице средствами Excel применить к столбцу «Authors» следующую последовательность автозамен (шаг 11 общего алгоритма):
1) заменить последовательность символов «.,» (точка и запятая) на символ «%»;
2) заменить символ «.» (точка) на последовательность символов «. » (точка и пробел);
3) заменить символ «%» на последовательность символов «.,» (точка и запятая);
4) заменить последовательность символов « ;» (пробел и точка с запятой) на «;»;
5) заменить последовательность символов «; » (точка с запятой и пробел) на последовательность «.;» (точка и точка с запятой);
6) заменить последовательность символов «..» (две точки) на «.» (одну точку);
7) заменить последовательность символов «., » (точка, запятая и пробел) на последовательность «.;» (точка и точка с запятой);
8) заменить два подряд идущих пробела на один.
Для разбиения значений строк, содержащих списки соавторов публикаций, и распределения соавторов по столбцам согласно структуре, представленной в табл. 1, применяется функция Excel «Текст по столбцам», находящаяся на вкладке «Данные» ленты [Weterings, 2021]. При этом в качестве разделителя используется символ «;» (точка с запятой).
В итоге выполнения всех операций итоговый файл в формате таблицы Excel имеет вид, представленный на рис. 8.
А . В c D E F G H I J К L M N О P
1 ik .Lilly | :];. ataj- tlc.kJei dc.lderlT dc.ider T dc.ider т dc.ider т dc.dest T dc.lanc " dc.type ▼ dc.riqh - filenan * dc.identifier.citati т dc.conj т dc.coni т dc.coni т dc
2 Templbrmi 2020 Metals 10 12 1 20 The micros en Review 2-s2.0-850 Tempforml Tempforming as an ac Dolzhenko Kaibyshev Belyakov, A.
3 Microstruc 2020 Metals 10 12 1 18 The micros en Article 2-s2.0-850 Microstruc Microstructural chang Odnoboko^ Belyakov, Enikeev, NKa
4 Undc'jtnn 2020 Global Ect 24 Analysis o en Article 2-s2.0-850 Understan Understanding global Lamchin, PWang, S. Lim, С. H. Ос
5 Exception; 2020 Scientific 10 1 Ti-rich bod en Article 2-s2.0-850 Exception Exceptionally high str Eleti. R. R Klimova. IvTikhonovshSti
S Functional 2020 Scientific 10 1 Functional en Article 2-s2.0-850 Functional Functional lateralizaticArtemenkc Sitnikova, Soltanlou, Dre
7 Two-dimen 2020 Crystals 10 11 1 12 Features if en Article 2-s2.0-850 Twodimen Two-dimensional surfa Zakhvalins Nikulichev Pilyuk, Е- Iva
В The cytoge 2020 Internation 21 21 1 13 Mechanisr en Article 2-s2.0-850 T>ie_cytog The cytogenomic '"the lourov, I. YVorsanova Yurov, Y. EZel
9 On the fati 2020 Materials 13 19 This work en Article 2-s2.0-850 On JheJa On the fatigue perform MalopheyeVysotskiy Zh eme h uz Mil
10 Peptides: 2020 Molecules 25 19 There is a en Review 2-s2.0-850 Peptides_ Peptides: Prospects f Khavinson: Linkova, N Dyatlova, / Ku
11 Non-hemal 2020 Research e 3 75 86 Relevance en Article 2-s2.0-850 Nonhemat Non-hematopoietic ei> Belyaeva, Stepenko, Lyubimov, Ku
12 Review of; 2020 Research G 3 1 5 General as en Review 2-S2.0-850 Review_of_ Review of a newconct Dolzhikov, Shevchenk Pobeda, А Pe
13 Erythropoi 2020 Internation 21 18 1 20 Preeclamp en Article 2-s2.0-850 Erythropoi Erythropoietin mimetic Korokin, N Gureev, V. Gudyrev, С Go
14 (1 R,3 SM 2020 Acta Cryst 75 14Q7 1411 The chiral en Article 2-32.0-8501_R3_S31 (1 R,3 S)-3-(1 H -Benz Kovalenko: Ко noval ové Merzlikin. Ch
15 Dataset of 2020 Data in Br 31 Data on th en Data Pape 2-32.0-850 Dataset_o Dataset of allele, geno Eliseeva, ^onomare Reshetnikr Po
16 Mechanisr 2020 Crystals 10 7 1 16 The as-quf en Article 2-s2.0-850 Mechanisr Mechanisms of grain Panov, D Dedyulina, Shaysultar Ste
17 Microstruc 2020 Metals 10 7 1 12 The pre se en Article 2-s2.0-850 Microstruc Microstructural cha rae Mironov, S Sato, Y. S Kokawa, h Hi г
18 Managemt 2020 Journal of 243 3 285 292 Undergrou en Article 2-s2.0-850 Managems Management of harde Golik, V. I. Dmitrak, Y Komashch Ka
19 Socioecor 2020 E3S Web 175 The paper en Conféré nc(2-s2.0-8 50 Socioecon Socio-economic as peí Samarina, Samarin, ¿ Skufina, T.
20" Digitalizati 2020 E3S Web 176 The article en Conféré nc(2-s2.0-8 50 Digitalizati Digitalization of the ac Poletaev, ¿Narozhnya Kitov, M.
21 Using GIS 2020 E3S Web 176 The article en Conferenci2-s2.0-850 Usina GIS Usinq GIS technology Buryak, Z. Marinina. O.
22 The infiuen 2020 Materials 13 12 1 23 Nanocryst en Article 2-s2.0-850The_"iueiThe influence of со ad Goldberg. Obolkina, Smirnov, S Pre
23 Daily asse 2020 Journal of 20 4 1673 1680 The purpos en Article 2-s2.0-850 Dally_assi Daily assessment of p Kondakov, Vo los hin a. Kopeikina, Ka
24 On the wa1 2020 Research 6 2 1 7 The corone en Review 2-32.0-850 On the w On the way from SAR Soldatov, NKubekina, Silaeva, Y Bri
25 On the str< 2020 Materials 13 9 The ultrafir en Article 2-s2.0-850 On_the_st On the strength of a 3 Odnoboko^Yanushke\ Kaibyshevr Be
26 Dental con 2020 Polymers 12 5 A modifier en Article 2-s2.0-850 Dentalco Dental composition m Chistyako\ Kolpinska} PosokhovsCh
27 Dataset of 2020 Data in Br 29 Data on th en Data Pape 2-s2.0-850 Dataseto Dataset of allele, geno Belyaeva, Ponomare Reshetnikc Po
28 Sustainabl 2020 E3S Web 159 The article en Conféré nc(2-s2.0-8 50 Sustainabl Sustainable developm Sapryka, \ Shmigirilov Vavilov, A. Pa
29 Peculiarity 2020 E3S Web 159 The article en Conferencí2-s2.0-850 Peculiaritie Peculiarities of urban Babintsev, Gaidukova UshamirskSh
30 Special fe; 2020 E3S Web 159 The purpoE en Conferencí2-s2.0-850 Special_fe Special features of co Bondarenk Panaedovs Gurieva. L. Be
31 Correction 2020 Research 6 1 29 40 Introductio en Article 2-s2.0-850 Correction Correction ofmorphofi Lokteva, T. Rozhkov, I Gureev, V. Gu
32 Retinoprot 2020 Biology 9 3 An imports en Article 2-32.0-850 Retinoprot Retinoprotective effect Peresypkir Pazhinsky Danilenko, Lui
33 Sugar beel 2020 Climate 8 3 The weath en Article 2-S2.0-850 Sugar bee Sugar beet harvests u Lebedeva, Lupo, A. F Solovyov, t Ch
34 Dataset of 2020 Data in Bn 28 Data on th en Data Pape 2-s2.0-850 Dataset_o1 Dataset of allele and c ReshetnikcAbramova, Ропота re i Po
35 Prevalence 2020 Internation 12 1 606 611 The acade en Article 2-s2.0-850 Prevalence Prevalence and dynarr Ruzhenko\ Ruzhenko\ Rzhevskav Mс
36" The health 2020 Internation 12 1 624 629 The axiolo en Article 2-s2.0-850The_healthThe health in the value Vangorods Babintsev, Shmarion, Ко
37 Great path 2020 Internatlon 12 1 594 598 The paper en Article 2-s2.0-850 Great_patr Great patriotic war 19¿ Lebedev, SShapovalo Kisilenko, Ко
38" Rex Ens E 2020 Internation 12 1 612 617 The proble en Article 2-s2.0-850 Rex_Eris_ Rex Eris Si Recte Fac Penskaya, Lopin, R. / Lykov, E. Г No
39" Attitude to 2020 Internation 12 1 599 605 The stigms en Article 2-S2.0-850 Attitude id Attitude to diseases a Rzhevskay Ruzhenko\ Ruzhenko\Re
40 Social cog 2020 Internation 12 1 618 623 Relevance en Article 2-32.0-850 Social cot Social cognition and It Shvets. K. Ruzhenko\ Ruzhenko\Rz
Рис. 8. Содержимое итогового сводного файла для формирования архива для импорта Fig. 8. Content of the summary file for forming an archive for import
Заключение
В статье был разработан алгоритм подготовки сведений для пакетного импорта метаданных о публикациях из реферативных баз Scopus и WoS в институциональный репозиторий на платформе DSpace, а также разработан программный инструментарий для реализации некоторых из этапов этого алгоритма. Итоговый табличный файл следует преобразовать в формат «csv» средствами того же Excel (шаг 12 общего алгоритма). Так как функционал пакетного импорта в репозиторий DSpace работает с архивами формата SAF, то необходимо воспользоваться готовой утилитой для сборки и генерации подобного архива [Dietz, 2015]. Ниже приводится скрипт для оболочки командной строки Windows для формирования требуемого SAF-архива.
java -jar safbuilder-1.6.jar -c e:\temp\toDS\ bsu.csv -z
После выполнения данного скрипта в состав SAF-архива включаются файлы с метаданными о публикациях и файлы-макеты публикаций. Процесс пакетного импорта итогового SAF-архива показан на рис. 9.
А Главная страница Содержание - Контроль доступа ~ Статистика Общие
Раздел ы/Коллекции
Ресурсы
Процесс рецензирование Рецензенты
Задания на курирование Выберите тип входных данн! извлеченные ресурсы
3»пр1е АгсПпге Рогтла1 (ар Л1е Ресурсы с ограниченным доступом Импорт метаданных
ектронныи архи
Пакетный И1\
Выберите файл для загрузки!
Пакетный импорт
выверите файл Файл не выбран
Выберите коллекцию-владельца для ресурсов (Дополнительно)
Это поле является необязательным, что означает, если Вы оставите его пустым, Вы должны вкпюн архива
Статьи из периодических изданий и сборников (на иностранных языках) = Articles from periodicals and с
Выберите другие коллекции, которым Будут принадлежать элементы (необязательно)
2001 год 2001 ГОД 2001 ГОД
2001 год
2002 год 2002 ГОД 2002 ГОД 2002 год
Загрузить
Рис. 9. Окно пакетного импорта SAF-архива с метаданными о публикациях Fig. 9. Web-interface for batch import SAF-file with articles metadata to DSpace
Сотрудники научно-библиографического консультационного центра затрачивают на внесение метаданных одной публикации от 5 минут. Сравнительные данные о временных затратах на ручное внесение метаданных или их автоматизированную подготовку и пакетный импорт представлены в табл. 3.
Таблица 3 Table 3
Данные о временных затратах на внесение сведений о метаданных при их ручном
и автоматизированном внесении
Times spent on manual and automatically entering information about articles metadata
№ п\п Содержание этапа Время, затраченное на ручной ввод, сек. Время, затраченное на автоматизированный ввод, сек.
1 2 3 4
1 Добавление метаданных одной публикации 360x337 -
2 Экспорт данных из баз Scopus и WoS 300
3 Объединение выгрузок из баз Scopus и WoS в единый свод 60
4 Преобразование ФИО соавторов 120
Окончание таблицы 3 End of the table 3
1 2 3 4
5 Формирование списка с именами файлов pdf-макетов 30
6 Сопоставление списка с именами файлов-макетов с данными свода 20
7 Выявление неверно сопоставленных файлов 600
8 Усечение и переименование имен файлов-макетов 60
9 Экспорт коллекции из DSpace 30
10 Сопоставление свода с экспортом коллекции 900
11 Распределение соавторов по столбцам 30
12 Заключительные преобразования, преобразования в формат «csv» 300
13 Импорт SAF-архива в репозиторий 1800
Всего: 121320 4250
Результаты данного исследования демонстрируют почти двадцатидевятикратное сокращение временных затрат на подготовку и импорт данных в институциональный репозиторий DSpace при использовании разработанного программного инструментария, применении стандартных офисных приложений и специализированного бесплатного программного обеспечения, имеющегося в свободном доступе. На основе разработанных скриптов [Reznichenko, 2021] автор планирует создать приложение с графическим интерфейсом, которое бы в качестве входных данных использовало три экспортных файла, и, в результате работы, формировало бы готовый сводный Excel-файл с метаданными о публикациях, пригодный для конвертации в формат «csv» и создания конечного SAF-архива для пакетного импорта в DSpace.
Referens
1. Clarivate Analytics Web of Science. Available at: https://apps.webofknowledge.com/ WOS_GeneralSearch_input.do?product=WOS&search_mode=GeneralSearch&SID=C3Qtws6Zp9bRCWtj7 S7&preferencesSaved= (accessed 2 June 2021)
2. Deng Sai. 2010. Optimizing Workflow through Metadata Repurposing and Batch Processing. Journal of Library Metadata, 10(4): 219-237. Available at: https://www.tandfonline.com/doi/abs/ 10.1080/19386389.2010.524862 (accessed 2 June 2021). DOI: 10.1080/19386389.2010.524862
3. Dietz Peter. 2015. Simple Archive Format Packager. Available at: https://wiki.lyrasis.org/display/DSPACE/Simple+Archive+Format+Packager (accessed 2 June 2021)
4. DuraSpace DSpace - A Turnkey Institutional Repository Application. Available at: https://duraspace.org/dspace/ (accessed 2 June 2021)
5. Dublin Core™ Metadata Initiative. Available at: http://dublincore.org (accessed 2 June 2021)
6. Elsevier Scopus. Available at: https://www.scopus.com/search/form.uri?display=basic= (accessed 2 June 2021)
7. Bruns Dave. 2021. EXCELJET. Quick, clean, and to the point. Excel VLOOKUP Function. Available at: https://exceljet.net/excel-functions/excel-vlookup-function (accessed 2 June 2021).
8. Fedotova O.A., Fedotov A.N., Zhizhimov O.L., Sambetbayeva M.A. 2020. DIGITAL REPOSITORY FOR RESEARCH AND EDUCATION INFORMATION SYSTEMS. Proceedings of SPSTL SB RAS, 3: 23-28. Available at: https://proceedings.gpntbsib.ru/jour/article/view/7 (accessed 2 June 2021). DOI: 10.20913/2618-7515-2019-3-23-28 (in Russian)
9. Bicking Ian, Leidel Jannis. 2021. fuzzywuzzy PyPI. Available at: https://pypi.org/project/ fuzzywuzzy/ (accessed 2 June 2021)
10. Gafurova P.O., Elizarov A.M., Lipachev E.K., Khammatova D.M. 2020. Metadata Normalization Methods in the Digital Mathematical Library. CEUR Workshop Proceedings, 2543: 136-148. Available at: http://ceur-ws.org/Vol-2543/rpaper13.pdf (accessed 2 June 2021)
11. Kim Jensen. 2021. Advanced Renamer. Batch file renaming utility for Windows. Available at: https://www.advancedrenamer.com (accessed 2 June 2021)
12. JetBrain PyCharm: The Python IDE for Professional Developers. Available at: https://www.jetbrains.com/pycharm/ (accessed 2 June 2021)
13. Nash Jacob L., Wheeler Jonathan. 2016. Desktop Batch Import Workflow for Ingesting Heterogeneous Collections: A Case Study with DSpace 5. D-Lib Magazine, 22 (1-2). Available at: http://www.dlib.org/dlib/january16/nash/01nash.html (accessed 2 June 2021). DOI: 10.1045/january2016-nash
14. OpenDOAR. Browse by Country and Region. Available at: https://v2.sherpa.ac.uk/view/repository_by_country/Russian_Federation.software_name.html (accessed 2 June 2021)
15. Oracle Java SE Runtime Environment 8. Available at: https://www.oracle.com/java/technologies/ java-se-glance.html (accessed 2 June 2021)
16. Wood Andrew. 2021. pandas.DataFrame. Available at: https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.html (accessed 2 June 2021)
17. Rachum Ram. 2021. re - Regular expression operations. Available at: https://docs.python.org/3/library/re.html (accessed 2 June 2021)
18. Registry of Open Access Repositories. Available at: http://roar.eprints.org/cgi/ roar_search/advanced?location_country=ru&software=&type=&order=-recordcount%2F-date (accessed 2 June 2021)
19. Weterings Niels. 2021. Text to Columns - Easy Excel Tutorial. Available at: https://www.excel-easy.com/examples/text-to-columns.html (accessed 2 June 2021)
20. Walsh Maureen P. 2010. Batch Loading Collections into DSpace: Using Perl Scripts for Automation and Quality Control. Information Technology and Libraries 29, no. 3 (2010): 117-127. Available at: https://ejournals.bc.edu/index.php/ital/article/view/3137 (accessed 2 June 2021). DOI: https://doi.org/10.6017/ital .v29i3.3137
21. What is Power Query? Available at: https://powerquery.microsoft.com/en-us/ (accessed 2 June
2021)
22. Reznichenko Oleg. 2021. Appendix to article "Preparation articles metadata for batch import into DSpace repository" Available at: https://github.com/leo-phoenix/dspace_batch_import (accessed 2 June 2021)
Конфликт интересов: о потенциальном конфликте интересов не сообщалось. Conflict of interest: no potential conflict of interest related to this article was reported.
ИНФОРМАЦИЯ ОБ АВТОРЕ
Резниченко Олег Сергеевич, старший преподаватель кафедры прикладной информатики и информационных технологий института инженерных и цифровых технологий НИУ «БелГУ», г. Белгород, Россия
INFORMATION ABOUT THE AUTHOR
Oleg S. Reznichenko, Senior Lecturer of the Department of Applied Information Science and Information Technologies, Institute of Engineering and Digital Technologies, Belgorod State University, Belgorod, Russia