第六屆中國文字學全國學術研討會
中文字形資料庫的設計與應用
*謝清俊 **莊德明 **張翠玲 **許婉蓉
*中央研究院資訊所 研究員
**中央研究院資訊所 助理
摘 要
____________________________________________________________________
本文介紹一個記載漢字字形的資料庫，它能記錄字形結構和筆劃上的變化，並與已經記載在資料庫內的字形做相似程度的比較。此外，它也提供簡單的統計，以量化數據說明一些字形或構字上的特徵。這個資料庫原本是為字體交換協會（AFII）所做。整個資料庫也可視為一個計算機使用的文字與字形的制式定義。
本文首先說明系統使用的文字與字形的制式模式，然後介紹此系統的設計與實作，最後，報告此系統發展的現況。本文採用的文字與字形模式，是根據民國六十一年發表的交大字根模式增益而成的。字形的變化可歸納為筆劃的變化、字根或部件的變化、和整個字的變化等三個等級。本系統是在IBM相容的個人電腦(PC)，中文視窗(WINDOWS 3.1)以上的作業系統下完成的。
國立中興大學中國文學系所
中 國 文 字 學 會 聯合主辦
中華民國八十四年四月二十九至三十日
中文字形資料庫的設計與應用
壹、緣起
本文介紹一個記載漢字字形的資料庫，它能記錄字形結構和筆劃上的變化，並與已經記載在資料庫內的字形做相似程度的比較。此外，它也提供簡單的統計，以量化數據說明一些字形或構字上的特徵。
這個資料庫原本是為字體交換協會（AFII, Association for Font Information Interchange,以下簡稱字協）所做。字協是為國際標準組織（ISO）執行ISO 9541，即登記標準字體（standard font）的字樣（typeface）和設計（design）的財團法人。三年前，字協承印 ISO 10646碼本時，面臨由大陸、日本、韓國、和臺灣蒐集的數萬漢字，涉及許多頭痛的問題，其中之一就是這些字在構字和筆劃上頗不一致。
在一般人的印象裡，各地區的漢字應該有很多是相同的。果真如此，計算機在處理時就可以省下許多儲存的空間、處理的時間和管理上的負荷，甚至編碼的位置也可共用而節省了。然而，這些漢字雖然都是仿宋體或類似仿宋體者，在構字和筆劃上卻不盡相同，仍有差異。更不幸的是，各地區都堅持這些差異處有理，不肯稍加修改以求一致。於是，判別這些差異，就變成了字體登記上極耗時耗力的問題。
其實，這個問題的根本所在，仍應歸咎於ISO 10646的設計。ISO10646的設計並沒有充份考慮到漢字的性質，亦即設計所用的文字學知識甚為膚淺（甚至可說完全沒有！），以致於沒有辦法面對或解決這個問題。這種情形連美國的標準組織工作組也注意到了，幾經與ISO相關工作組協商都不得要領的情形下，發表了一份文件，說明文字(character)和字形(glyph)之間應該確立的關係【註一】。換言之,計算機中需要一個制式的定義(formal model)來界定什麼是文字、什麼是字形，以及此二者之間的關係，這樣才能好好的利用計算機來處理文字和字形。
_____________________________________________________________________【註一】請參照美國標準工作小組X3L2和X3V1在1993年9月聯合發表的文件<Character Glyph Operational Model>此文件經黃大一先生譯為中文，用於中央標準局與資策會合辦的資訊標準應用研討會(1994年5月,台北)。又，此文件在ISO之文件編號為ISO/IEC JTC1/SC18/WG8 N1615並準備改寫成為ISO正式的技術報告(ISO Technical Report)。
關於文字與字形的制式定義，並不是沒有人研究，日本、台灣、大陸、美國等都有人做過，商品上也早已用過。只不過除了大陸以外，都沒有把這種制式模式提昇到國家標準的層次，因此，也就難以搬上世界標準的舞台。
本文所敘述的資料庫，就是在上述的背景下，為釐清文字及其字形的變化所設計的，整個資料庫也可視為一個計算機用的文字與字形的制式定義。在下文中，我們將先介紹本系統使用的文字與字形的制式模式，然後介紹此系統的設計與實作。最後，報告此系統發展的現況作為結束。
由於文字與我們的生活關係至深，文字累積的資料和知識理應因由國人共享，所以，我們發展的這個小小工具，願意免費提供給大家使用。有意者請洽作者。
貳、文字與字形的制式表達
本文採用的文字與字形模式，是根據民國六十一年發表的交大字根模式【註二】增益而成的。要言之，文字是表達一種（或一群）概念的名相，是抽象的。我們可以透過媒體，例如：聲音或字形，將它呈現出來以使人可以察覺。在本文中，暫不討論字音，只考慮字形部份。
文字和字形的關係是：一個文字可以有許多不同的字形；偶爾，也有些文字會用相同的字形。所以，從數學關係來說，文字之於字形是多對多的映對，雖然大多數是一對多的關係。字形也是抽象的名相，區別字形的關鍵在於它的組成結構，亦即構字。所以一個字形可以有變化多彩多姿的風貌，然而其構字之規律卻不容更易。
_____________________________________________________________________
【註二】 請參照：謝清俊等＜中文字根之分析＞，交大學刊第六卷第一期 pp.112-121,1972。此外，劉達人等編著《漢字綜合索引字典》,(Asian Associates出版，美國國會圖書館卡號：790525, 1979)也採用此模式。又，此模式曾改寫為 AF11文件<On the formalization of glyph in Chinese Language>1990,2月。
印刷體的字形有一定的設計規範，遵從同一設計規範製作的一群字形屬於同一種字體。字體也是抽象的，區別它的關鍵在於設計的規範。一種字體設計，通常有些參數來決定文字呈現的大小、粗細、疏密、以及一些特殊裝飾的邊角等等。待這些參數選定之後，才能呈現出一個字形的面貌，稱為字樣。這個面貌就不是抽象的而是具體可見的了。
上述的文字、字形、字體、和字樣的關係可如【圖一】所示。所謂計算機用的文字與字形模式，就是要把這些抽象的名相和相關的構字、設計規範，以及彼此間的關係和運作規律等，用計算機能了解的形式表達出來，以便計算機能夠運用這些知識，替我們做事。
圖一：文字、字形、字體和字樣的關係
一、字形的表達
漢字由部件 (component) 構成。此構成是有規律的，可歸納為簡單的制式規則。在交大字根系統中，將漢字字形以橫連(H)，直連(V)，和包涵(C)分解，得到496個基本的部件，稱為字根。這群字根和組合的規則（亦即分解的規則）可以組成48713個漢字，除了一些類似圖騰的古字外，幾乎可組成所有的漢字，且具有創制新字的功能。所以我們採用這套字根系統作為設計的基礎。
其次，字根由筆劃組成。印刷體設計所用的基本筆劃數目約三十至一百餘不等。其實，三十幾個基本筆劃已足資辨認，用到一百多個筆劃只是為了做好細部的面貌以美化字樣而已。我們的系統重點在辦認字形，所以用的筆劃不多（事實上，可由使用者自己選擇筆劃之多寡）。字形、部件、字根、和筆劃的關係如【圖二】所示。
圖二：字形、部件、字根和筆劃的圖係
在實際運作時，這樣的系統會產生一些較複雜的表示式。例如：【圖三】的灣字。所以在設計時，我們儘量把構字規則簡化，以利執行。做法是：在組合（或分解）一個字形時，一次只用一個組合（分解）的運作，即選用橫連、直連、包涵其中之一。若還沒有分解成基本字根，則將生成的部件再分解，直到式中只有基本字根為止。由於基本字根數目不多，筆劃組合規則就依其筆劃生成的位置逐一標明。
上述的構字概念可以用簡單的數學表達，是故可以用計算機處理。在【註二】所引的各參考文件中，有詳細的敘述，請各位參考。
圖三：灣字的構成
二、字形變化的分析
根據上述的字形模式，字形的變化雖多，卻可以歸納為筆劃的變化、字根或部件的變化、和整個字的變化等三個等級。這種劃分法，筆者曾在中華民國文字學會報告過（民國78年12月）。現僅將其大要節錄如下：
(一)、筆劃的變化
A1：有一筆劃位置改變，但文字的筆劃數和構成的字根沒有改變。
例如： →丸， →�p， → ， → 等。A2：有一筆劃尾部加勾，筆劃數和構字之字根不變。
例如：不→ ， →月，也→ ， →七等。A3：有一筆劃被另一種筆劃替代，筆劃數與字根不變。
例如： 被 ， ， ， 之替代
被 、 替代， 被 替代等。
A4：增多一筆，筆劃數增1。例如： ， → 等。
A5：減少一筆，筆劃數減1。例如： → ， → ， → 等。
A6：某一筆劃由另二筆劃取代，筆劃數加1。
例如： → ， → ， → 等。A7：某二筆劃由另一筆劃取代，筆劃數減1。
例如： → ， → 等。A8：某一群筆劃由另一群筆劃取代。
例如： →雨， → ，兌→ ， →育等。
（二）、字根或部件的變化
B1：一字根R1由另一字根R2取代，而R1和R2的差異只是筆劃上的變化（如前述A1至A8之變化）而引起的字根變化。
例如：吉→ ，寺→ ，產→ ，壬→ ，周→ ，內→ 等。B2：一字根R1由另一字根R2取代，而R1和R2之差異不屬筆劃上的變化。
例如： →鰺，覓→飃，恥→ ，秘→ ，雋→遬，耽→� ，磚→ 等。
B3：一部件（一群字根）由另一部件取代。
例如： → ， → ，市→巿， → ， → ，鳥→隹，→ ，曲→林等。
（三）、整個文字構字的改變
C1：字根不變而組合改變者。例如： → ，廉→ ， →匯等。
C2：由簡化而改變者。例如： →為→ 。轉→ → 。
C3：不規則變形者。例如： →咩，裡→裏等。
以上這種分法，是完全從字形著手劃分的。其實，尚可加注從文字學角度的觀察，例如：聲符的取代多屬字根或部件的變化（亦即屬B級函數)。這些工作，留待以後補充。
三、舉例
現在，讓我們用一個較完整的例子，以說用前述的表達方式。
假設G代表字形(Glyph)，R代表部件(Component)而R0代表字根，T代表筆劃，p和s分別代表T和R在字形中的位置(position)和大小(size)，則一個字形的組成，可用下面二個再生式(recursive equation)表示之：
Ｇ＝ΣＲ（ｐ,ｓ）.............（1）⑴
Ｒ0＝ΣＴ（ｐ,ｓ）.............（2）
⑴（1）式的意思是：G由許多（以Σ表示）R組成，而每個R在字形中都有它特定的位置和大小（即p和s)。（1）式可重複使用，直到所有的R都化簡到R0為止。而R0，根據（2）式，可再分解為一群筆劃T，每個筆劃亦有其位置和大小的關係。
了解這些符號後，【圖四】和【圖五】即分別從兩個角度，來說明這種模式的應用。【圖四】表示的是一個文字「訛」、它的兩個字形、一些部件和字根，和基本筆劃之間的組成關係；以及字形變化所加的標識(tags)。
【圖五】是一個字根「禸」的字形孳乳樹。在圈內的是字形，沒圈的是字根或部件。圖中字形變化的標識，以虛線分別表示。
在計算機裡，【圖四】和【圖五】都是從一個結構表推導出來的。【圖四】是由字形推導到筆劃，而【圖五】則相反，由字根推導到所有相關的文字。
圖四：訛字相關的
字形組成
圖五：字形孳乳樹之例
參、實施
本系統是在IBM相容的個人電腦(PC)，中文視窗3.1(WINDOWS3.1)以上的作業系統下，用Visual Basic程式語言發展出來的。系統的功能分為字集的選擇，系統內各種表格的檢視、修正，結構或統計的查詢，以及視窗的管理等項目。系統的一些視窗畫面如【圖六】所示。
這些系統中的文字、字形、部件、字根、筆劃之呈現方式如下：
文字：以系統既有的字形呈現，若無則在系統造字區內造其形，定其碼。
字形：原則上不造其形，以字根結構式呈現。
部件：在系統造字區內造其形，並定其碼。
字根：字根集合中有300餘是文字，故可用系統字形，不是文字的字根則在造字區內造其形，定其碼。
筆劃：在系統造字區內造其形，定其碼。
至於因筆劃導致的字形、部件、字根的變化，亦不造其形，僅以A1~A8和B1函數表示在其變化的標識中。
所以，在本系統中，可以由構字上觀察到字形，由標識中觀察到筆劃的變化；卻看不到實際的「字樣」。
這個系統可以有幾個用法。當系統內尚無資料，或是要分析一套尚未載入系統的字形時，可以逐字將字形的結構資料，包括文字、字形、部件或字根、基本筆劃等。以人機互動的方式，建立電腦內部的結構。此時，若有文字或字形的字頻統計，亦可一併載入留待後用。
一套字形載入後，即可對這套文字作各種查詢，包括每一個字形的構成、字根孳乳表、文字孳乳表、以及字形、字根、部件等的統計資料。
其次，若有某字形的構字待比較，則可叫出計算機內既有的字形由人比對，或將該字的結構輸入由計算機比對。
若是有兩套字形均已載入計算機中，則計算機可以詳列此兩套字形的差異。可載入計算機中字形的套數不限。蒐集越多，則越具參考價值。
系統操作的情況實一言難盡，請參考現場操作的展示和說明。至於此系統的應用，則依使用人活用上述的用法而定。
肆、結語
這套系統的開發，並未接受任何單位的資助，是故進展緩慢，目前已具雛型，略可應用。此外沒有接受補助也有好處，那就是不涉及產權問題，是故可以讓大家共享。
此系統中已輸入一套字形，乃是根據民國六十一年林樹教授的《中文電腦用字的分析》一書，所收錄8532個字彙及其使用頻度的資料。現埸展示亦此一套字形而已。
文字資料是資訊處理最基本的資料。由於文字資料的整理一直未能規劃完備，在處理方面不知已浪費多少人力、物力和時間，甚或製造了不少文字、語文上的混亂。我們甚盼有一天，每個電腦中都配備了充份的文字資料和知識，不只能幫助提升文件處理的水準，亦將有益於民眾語言水準的提升。
文字資料是一切文獻的表達基礎，目前所納入系統中僅字形這一部份。其實，其他相關的例如：文字學、聲韻學等資料，也可以和本系統整合在一起運用。可是，這樣的發展實不是我們這個小計劃可以完成的，必須以文字學為領導，輔以資訊技術才能竟全功。
謹以此小小系統拋磚引玉，期盼有心人一同來推動。