读取MARC文件的问题！高人指点！

Question

最近做个程序，需要从MARC文件中读出图书信息的数据，是ISO文件，格式如下：00906nam  2200265   450 001001700000010005600017010002800073016002100101100004100122101001300163102001500176105001800191106000600209200006700215210004000282215002500322312002100347320002100368330013400389510002500523606002400548690001400572701002800586801002600614CAL 010090028423  a978-7-5062-9043-2dCNY16.80 (含光盘)z7-5062-9043-X  a978-7-88765-122-8b光盘  aCN-M46-07-0131-0  a20080307d2007    em y0chiy50      ea0 achiaeng  aCNb610000  ay   a   000yy  ar1 a奥运英语大家说Aao yun ying yu da jia shuoi提高篇f主编李林波  a西安c世界图书出版西安公司d2007.09  a284页d21cme光盘1片  a英文题名取自封面  a有书目 (第284页)  a本书中英文对照, 共分为6个单元, 每个单元都分为文章和对话两部分, 相关的重难点词汇及释义可帮助读者快速、有效地掌握文章和对话的内容。1 aOlympic Englishzeng0 a英语Aying yux口语  aH319.9v4 0a李林波Ali lin bo4主编 0aCNbRENTIANc20080307
没什么头绪，哪位做过类似的程序，指导一下，谢谢。

Answer 1

00906nam  2200265  450 001001700000010005600017010002800073016002100101100004100122101001300163102001500176105001800191106000600209200006700215210004000282215002500322312002100347320002100368330013400389510002500523606002400548690001400572701002800586801002600614CAL 010090028423  a978-7-5062-9043-2dCNY16.80 (含光盘)z7-5062-9043-X  a978-7-88765-122-8b光盘  aCN-M46-07-0131-0  a20080307d2007    em y0chiy50      ea0 achiaeng  aCNb610000  ay  a  000yy  ar1 a奥运英语大家说Aao yun ying yu da jia shuoi提高篇f主编李林波  a西安c世界图书出版西安公司d2007.09  a284页d21cme光盘1片  a英文题名取自封面  a有书目 (第284页)  a本书中英文对照, 共分为6个单元, 每个单元都分为文章和对话两部分, 相关的重难点词汇及释义可帮助读者快速、有效地掌握文章和对话的内容。1 aOlympic Englishzeng0 a英语Aying yux口语  aH319.9v4 0a李林波Ali lin bo4主编 0aCNbRENTIANc20080307
文件分解方法（按GBK/GB2312编码）
头标区：0~23，去中0~4是这条数据的总长度，按字节计算（本例为00906），12~16为数据基地址，即数据起始位置（本例为00265）。
目次区：24~00264（n=数据基地址-1），表示这条MARC中有多少"字段"，结束位置（00264）有一个'\x1E'，其长度=数据基地址-24
      目次区每12字符为一段，每段按3、4、5再分段，第一段为字段名，第二段为字段长度，第三段为字段在MARC中的起始位置（以数据基地址为0）
数据区：n~00904
记录结束符：00905，字符'\x1D'字段：
    在每个字段中，又有'\1F'分割的"子字段"，并在字段开头有两个字符，称为“指示符”。
    '\x1F'一般读做"Dollar"，在可读数据中一般用'$'或'@'表示。'$'后面有一个字母或数字，这是子字段名。
    每个字段的结尾处有一个字段结束符（'\x1E'）。
    需要注意，字段名是"00x"的那些是没有子字段和指示符的，整个字段就是一个内容（称为控制字段）。
你的例子分解开就是这个样子:
00906nam  2200265  450   
001 0017 00000  CAL 010090028423 
010 0056 00017   $a978-7-5062-9043-2$dCNY16.80 (含光盘)$z7-5062-9043-X
010 0028 00073    $a978-7-88765-122-8$b光盘
016 0021 00101   $aCN-M46-07-0131-0
100 0041 00122   $a20080307d2007    em y0chiy50      ea0 
101 0013 00163  $achi$aeng 
102 0015 00176    $aCN$b610000
105 0018 00191   $ay  a  000yy  
106 0006 00209   $ar
200 0067 00215  1 $a奥运英语大家说Aao yun ying yu da jia shuoi提高篇f主编李林波 
210 0040 00282   $a西安$c世界图书出版西安公司$d2007.09
215 0025 00322   $a284页$d21cm$e光盘1片
312 0021 00347   $a英文题名取自封面
320 0021 00368    $a有书目 (第284页)  
330 0134 00389  $a本书中英文对照, 共分为6个单元, 每个单元都分为文章和对话两部分, 相关的重难点词汇及释义可帮助读者快速、有效地掌握文章和对话的内容。
510 0025 00523  1 $aOlympic English$zeng
606 0024 00548  0 $a英语$Aying yu$x口语
690 0014 00572   $aH319.9$v4
701 0028 00586  0$a李林波$Ali lin bo$4主编
801 0026 00614  0$aCN$bRENTIAN$c20080307常用字段：
　　题名：200$a
　　作者：200$f
　　出版社：210$c
　　ISBN：010$a

Answer 2

00906nam  2200265  450   
001 0017 00000  CAL 010090028423 
010 0056 00017   $a978-7-5062-9043-2$dCNY16.80 (含光盘)$z7-5062-9043-X
010 0028 00073    $a978-7-88765-122-8$b光盘
016 0021 00101   $aCN-M46-07-0131-0
100 0041 00122   $a20080307d2007    em y0chiy50      ea0 
101 0013 00163  $achi$aeng 
102 0015 00176    $aCN$b610000
105 0018 00191   $ay  a  000yy  
106 0006 00209   $ar
200 0067 00215  1 $a奥运英语大家说Aao yun ying yu da jia shuoi提高篇f主编李林波 
210 0040 00282   $a西安$c世界图书出版西安公司$d2007.09
215 0025 00322   $a284页$d21cm$e光盘1片
312 0021 00347   $a英文题名取自封面
320 0021 00368    $a有书目 (第284页)  
330 0134 00389  $a本书中英文对照, 共分为6个单元, 每个单元都分为文章和对话两部分, 相关的重难点词汇及释义可帮助读者快速、有效地掌握文章和对话的内容。
510 0025 00523  1 $aOlympic English$zeng
606 0024 00548  0 $a英语$Aying yu$x口语
690 0014 00572   $aH319.9$v4
701 0028 00586  0$a李林波$Ali lin bo$4主编
801 0026 00614  0$aCN$bRENTIAN$c20080307看放到代码里是不是能整齐些

Answer 3

因为每个字段都有一个字段结束符，所以，你目视看到的实际内容总是比目次区所指的长度少一个，比如
001 0017 00000  CAL 010090028423
字符串"CAL 010090028423"的长度是16个，而目次区指示001字段的长度是0017，起始位置为00000

Answer 4

下面是数据区，根据目录区来从数据区取数据，如，“001，0017，00000”，001相当于是目录名字，0017是数据长度，00000是起始地址
但是为什么取出来的数据有点乱？问题...CAL 010090028423  a978-7-5062-9043-2dCNY16.80 (含光盘)z7-5062-9043-X  a978-7-88765-122-8b光盘  aCN-M46-07-0131-0  a20080307d2007    em y0chiy50      ea0 achiaeng  aCNb610000  ay   a   000yy  ar1 a奥运英语大家说Aao yun ying yu da jia shuoi提高篇f主编李林波  a西安c世界图书出版西安公司d2007.09  a284页d21cme光盘1片  a英文题名取自封面  a有书目 (第284页)  a本书中英文对照, 共分为6个单元, 每个单元都分为文章和对话两部分, 相关的重难点词汇及释义可帮助读者快速、有效地掌握文章和对话的内容。1 aOlympic Englishzeng0 a英语Aying yux口语  aH319.9v4 0a李林波Ali lin bo4主编 0aCNbRENTIANc20080307

Answer 5

00906nam  2200265  450   
001 0017 00000  CAL 010090028423 
010 0056 00017   $a978-7-5062-9043-2$dCNY16.80 (含光盘)$z7-5062-9043-X
010 0028 00073    $a978-7-88765-122-8$b光盘
016 0021 00101   $aCN-M46-07-0131-0
100 0041 00122   $a20080307d2007    em y0chiy50      ea0 
101 0013 00163  $achi$aeng 
102 0015 00176    $aCN$b610000
105 0018 00191   $ay  a  000yy  
106 0006 00209   $ar
200 0067 00215  1 $a奥运英语大家说Aao yun ying yu da jia shuoi提高篇f主编李林波 
210 0040 00282   $a西安$c世界图书出版西安公司$d2007.09
215 0025 00322   $a284页$d21cm$e光盘1片
312 0021 00347   $a英文题名取自封面
320 0021 00368    $a有书目 (第284页)  
330 0134 00389  $a本书中英文对照, 共分为6个单元, 每个单元都分为文章和对话两部分, 相关的重难点词汇及释义可帮助读者快速、有效地掌握文章和对话的内容。
510 0025 00523  1 $aOlympic English$zeng
606 0024 00548  0 $a英语$Aying yu$x口语
690 0014 00572   $aH319.9$v4
701 0028 00586  0$a李林波$Ali lin bo$4主编
801 0026 00614  0$aCN$bRENTIAN$c20080307

Answer 6

读取MARC记录的时候，应当以字节方式读取。
前面我说了，以GBK/GB2312编码分解，即你可以把读出来的字节转换为字符串，但是.NET中的字符串是Unicode编码的，汉字的长度是1，而GBK编码的长度是2，因此会导致目次区与实际数据不符。
另外一方面，绝大多数的MARC数据文件中，每条记录后面会有一个回车换行符号，需要把它们去掉。所以，读取一个整个的MARC文件的方法是：
以流的方式打开文件
读取前面5个字节，并转换字符串，然后变为int变量，如marcLen
继续读取marcLen-5个字节
将数据基地址部分取出，转换为int变量，如dataStart
将目次区（不叫目录区）分解到一个n*3的数组中，如aEntrys[n,3]
从dataStart位置开始，将数据部分单独取出
遍历aEntrys[]，依次取出各个字段内容，转变为字符串，放到另一个数组中aFields[n,2]，其中[n,1]放字段名，[n,2]放字段数据。
MARC分解的主要工作完成，然后根据需要，提取需要的具体信息（参见前面的帖子）
->准备读取下一条数据
读取数据，如果是回车、换行符号，则忽略，直到遇到连续5个数字（因为MARC的前5个字节一定是是数字）
回到第一步，读取下一条MARC。此外，有一个问题，就是并非所有人提供的MARC都是符合标准的，有的软件尽管声称支持MARC，但实际上它输出的MARC数据是不合格的，常见的是目次区错误，总长度值错误，将记录结束符记入最后一个字段内等等
此时要根据具体情况进行分析，加入容错部分，比如总长度错误可以通过多读取一部分数据来解决（一般就是差1个字节），目次区错误可以通过字段结束符判定每个字段的位置等。这是一个基本的MARC数据读取程序，还有很多可优化的地方

Answer 7

下面是JAVA的实现
* Linpz 读取马克文件数据的程序
 */
import java.io.*;class ReadMarc {
public static void main(String args[]) throws Exception {
String file = "data.ISO";
FileInputStream fin = new FileInputStream(file);
//数组bytes用于存放读取的所有字节
int fileSize = fin.available();
byte bytes[] = new byte[fileSize];
fin.read(bytes);
//读取此条数据的总长度
byte marcB[] = new byte[5];
for(int i = 0; i < 5; i++) {
marcB[i]= bytes[i];
}
String marcS = new String(marcB);
int marcLen = Integer.parseInt(marcS);
//System.out.println(marcLen);
//读取数据基地址
byte marcB2[] = new byte[5];
for(int i = 0; i < 5; i++) {
marcB2[i] = bytes[i+12];
}
String marcS2 = new String(marcB2);
int dataStart = Integer.parseInt(marcS2);
//System.out.println(dataStart);
//读取次目录区数据
int cmLength = dataStart-24-1;
byte marcB3[] = new byte[cmLength];
for(int i = 0; i < cmLength; i++) {
marcB3[i] = bytes[i+24];
}
//读取记录控制信息
String marcS3 = new String(marcB3);
int n = cmLength/12;
String controls[] = new String[n];
for(int i = 0; i < n; i++) {
controls[i] = marcS3.substring(i*12, (i+1)*12);
//System.out.println(controls[i]);
}
//读取数据区信息
int dataLength = marcLen - dataStart -1;
byte data[] = new byte[dataLength];
for(int i = 0; i < dataLength; i++) {
data[i] = bytes[i+dataStart];
}
String OKData[][] = new String[n][2];
for(int i = 0; i < n; i++) {
OKData[i][0]=controls[i].substring(0, 3);
int length = Integer.parseInt(controls[i].substring(3,7));
int start = Integer.parseInt(controls[i].substring(7));
byte temp[] = new byte[length];
for(int j = start; j < length; j++) {
temp[j] = data[j];
}
OKData[i][1]=new String(temp);
System.out.println(OKData[i][0]+"  "+OKData[i][1]);
}

//System.out.println(new String(data));
fin.close();
}
}
很遗憾，这样的结果导致数据区的数据有部分无法显示，如果String sData = new String(data);
OKData[i][1] = sData.substring(start,start+length);这样的话由于sData.length() != data.length;会出错，请高手帮忙解决！

Answer 8

package bin;为了发现问题，我把程序做如下修改：
/**
 * Linpz 读取马克文件数据的程序
 */
import java.io.*;class ReadMarc {
public static void main(String args[]) throws Exception {
String file = "data.ISO";
FileInputStream fin = new FileInputStream(file);
//数组bytes用于存放读取的所有字节
int fileSize = fin.available();
byte bytes[] = new byte[fileSize];
fin.read(bytes);
//读取此条数据的总长度
byte marcB[] = new byte[5];
for(int i = 0; i < 5; i++) {
marcB[i]= bytes[i];
}
String marcS = new String(marcB);
int marcLen = Integer.parseInt(marcS);
//System.out.println(marcLen);
//读取数据基地址
byte marcB2[] = new byte[5];
for(int i = 0; i < 5; i++) {
marcB2[i] = bytes[i+12];
}
String marcS2 = new String(marcB2);
int dataStart = Integer.parseInt(marcS2);
//System.out.println(dataStart);
//读取次目录区数据
int cmLength = dataStart-24-1;
byte marcB3[] = new byte[cmLength];
for(int i = 0; i < cmLength; i++) {
marcB3[i] = bytes[i+24];
}
//读取记录控制信息
String marcS3 = new String(marcB3);
int n = cmLength/12;
String controls[] = new String[n];
for(int i = 0; i < n; i++) {
controls[i] = marcS3.substring(i*12, (i+1)*12);
//System.out.println(controls[i]);
}
//读取数据区信息
int dataLength = marcLen - dataStart -1;
byte data[] = new byte[dataLength];
for(int i = 0; i < dataLength; i++) {
data[i] = bytes[i+dataStart];
}
//System.out.println(dataLength);
String OKData[][] = new String[n][2];
for(int i = 0; i < n; i++) {
OKData[i][0]=controls[i].substring(0, 3);
int length = Integer.parseInt(controls[i].substring(3,7));
int start = Integer.parseInt(controls[i].substring(7));
byte temp[] = new byte[length];
for(int j = start; j < length; j++) {
temp[j] = data[j];
}
//OKData[i][1]=new String(temp,"utf-8");
System.out.print(OKData[i][0]+"  ");
for(int t=0; t<length; t++) {
System.out.print(temp[t]);
}
System.out.println();
}

//System.out.println(new String(data));
fin.close();
}
}运行结果：
802
001  48495048485548484848484930
005  000000000000050484852
010  0000000000000000000000000000
100  00000000000000000000000000000000000000000
101  00000000
102  000000000000000
105  000000000000000000
106  000000
200  0000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
210  00000000000000000000000000000000000000000
215  00000000000000000000
330  000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000
606  00000000000000000000000
690  00000000000
701  000000000000000000000000000000000
702  000000000000000000000000000000
801  0000000000000000000000
905  000000000000000000000000000000000000000000000
906  0000000000000000000000000000000000000000000
999  000000000000000000

Answer 9

把上面的程序稍微修改一下：
测试数据为：
00976nam0 2200301   450 001001100000005001700011010002800028100004100056101000800097102001500105105001800120106000600138200004200144210002700186215002000213330013300233510002900366606001700395606002400412690001300436701003100449801002200480801002400502856005700526905003500583992001500618996004100633010200002920050613171212.0  a7-03-010025-5dCNY75.00  a20030121d2003    em y0chiy0110    ea0 achi  aCNb110000  ay   z   001yy  ar1 a统计手册9tong ji shou cef茆诗松主编  a北京c科学出版社d2003  a31,1091页d21cm  a本书共18章，包括了各领域使用的共同的统计方法，对社会经济统计、生物统计、可靠性统计等领域内的特殊方法还专门列出一章予以特别介绍。1 aStatistics Handbookzeng0 a统计学j手册0 2CT3S075223a统计学  aC8-62v4 0a茆诗松9mao shi song4主编 0aCNbNLCc20031111 2aCNbSWUFEc20060908  ubook://192.168.30.128/02/diskmaf/maf47/14/!00001.pdg  a251430b1153451-6dC8-62e4434  a02-600-029  a成都世云书店b02-600-029n科技新书目程序如下：package com.swufe.module;import java.io.FileInputStream;/**
 * 西南财经大学网络教育学院
 * @author xianhai
 *
 */
class ReadMarc { public static void main(String args[]) throws Exception {
String file = "data.ISO";
FileInputStream fin = new FileInputStream(file);
// 数组bytes用于存放读取的所有字节
int fileSize = fin.available();
byte bytes[] = new byte[fileSize];
fin.read(bytes);
// 读取此条数据的总长度
byte marcB[] = new byte[5];
for (int i = 0; i < 5; i++) {
marcB[i] = bytes[i];
}
String marcS = new String(marcB);
int marcLen = Integer.parseInt(marcS);
// System.out.println(marcLen);
// 读取数据基地址
byte marcB2[] = new byte[5];
for (int i = 0; i < 5; i++) {
marcB2[i] = bytes[i + 12];
}
String marcS2 = new String(marcB2);
int dataStart = Integer.parseInt(marcS2);
// System.out.println(dataStart);
// 读取次目录区数据
int cmLength = dataStart - 24 - 1;
byte marcB3[] = new byte[cmLength];
for (int i = 0; i < cmLength; i++) {
marcB3[i] = bytes[i + 24];
}
// 读取记录控制信息
String marcS3 = new String(marcB3);
int n = cmLength / 12;
String controls[] = new String[n];
for (int i = 0; i < n; i++) {
controls[i] = marcS3.substring(i * 12, (i + 1) * 12);
// System.out.println(controls[i]);
}
// 读取数据区信息
int dataLength = marcLen - dataStart - 1;
byte data[] = new byte[dataLength];
for (int i = 0; i < dataLength; i++) {
data[i] = bytes[i + dataStart];
}
// System.out.println(dataLength);
String OKData[][] = new String[n][2];
for (int i = 0; i < n; i++) {
OKData[i][0] = controls[i].substring(0, 3);
int length = Integer.parseInt(controls[i].substring(3, 7));
int start = Integer.parseInt(controls[i].substring(7));
byte temp[] = new byte[length];
for (int j = start; j < start + length; j++) {
temp[j - start] = data[j];
}
OKData[i][1] = new String(temp);
System.out.print(OKData[i][0] + "  ");
System.out.print(controls[i].substring(7) + " " + controls[i].substring(3, 7) + " ");
System.out.print(OKData[i][1] + "  ");
System.out.println();
}
System.out.println(new String(data));
fin.close();
}
}

Answer 10

运行结果如下：001  00000 0011 0102000029  
005  00011 0017 20050613171212.0  
010  00028 0028   a7-03-010025-5dCNY75.00  
100  00056 0041   a20030121d2003    em y0chiy0110    ea  
101  00097 0008 0 achi  
102  00105 0015   aCNb110000  
105  00120 0018   ay   z   001yy  
106  00138 0006   ar  
200  00144 0042 1 a统计手册9tong ji shou cef茆诗松主编  
210  00186 0027   a北京c科学出版社d2003  
215  00213 0020   a31,1091页d21cm  
330  00233 0133   a本书共18章，包括了各领域使用的共同的统计方法，对社会经济统计、生物统计、可靠性统计等领域内的特殊方法还专门列出一章予以特别介绍。  
510  00366 0029 1 aStatistics Handbookzeng  
606  00395 0017 0 a统计学j手册  
606  00412 0024 0 2CT3S075223a统计学  
690  00436 0013   aC8-62v4  
701  00449 0031  0a茆诗松9mao shi song4主编  
801  00480 0022  0aCNbNLCc20031111  
801  00502 0024  2aCNbSWUFEc20060908  
856  00526 0057   ubook://192.168.30.128/02/diskmaf/maf47/14/!00001.pdg  
905  00583 0035   a251430b1153451-6dC8-62e4434  
992  00618 0015   a02-600-029  
996  00633 0041   a成都世云书店b02-600-029n科技新书目  
010200002920050613171212.0  a7-03-010025-5dCNY75.00  a20030121d2003    em y0chiy0110    ea0 achi  aCNb110000  ay   z   001yy  ar1 a统计手册9tong ji shou cef茆诗松主编  a北京c科学出版社d2003  a31,1091页d21cm  a本书共18章，包括了各领域使用的共同的统计方法，对社会经济统计、生物统计、可靠性统计等领域内的特殊方法还专门列出一章予以特别介绍。1 aStatistics Handbookzeng0 a统计学j手册0 2CT3S075223a统计学  aC8-62v4 0a茆诗松9mao shi song4主编 0aCNbNLCc20031111 2aCNbSWUFEc20060908  ubook://192.168.30.128/02/diskmaf/maf47/14/!00001.pdg  a251430b1153451-6dC8-62e4434  a02-600-029  a成都世云书店b02-600-029n科技新书目