中央研究院古籍全文資料庫的發展概要

A Survey of full-text Data Bases and Related Techniques
for Chinese Ancient Documents in Academia Sinica

　

謝清俊 Ching-chun Hsieh 中央研究院資訊所研究員

林　晰 Shih Lin 中央研究院計算中心分析師

摘　　　　　　要

中央研究院利用計算機處理古籍已有十二年，其中以全文資料庫的發展最受矚目，目前上線的全文資料庫文總字數已超過一億一仟萬字，其所用的技術則全由院內同仁自行開發。參與製作資料庫的共有五所：史語所、臺史所、資訊所、近史所、文哲所，以及本院計算中心，總統府國史館亦積極參與清史資料庫之開發。1995年開始，有些大學與本院發展合作關係共享古籍資料，包括國內的中山､中正､師大各大學，國外的倫敦大學､史丹佛大學､密西根大學､香港中文大學等。本文首先介紹各全文資料庫的發展現況，其次介紹自行開發的相關技術，包括：全文資料庫的結構､文章的標誌系統､資料登錄之管理､缺字造字之管理以及目前各單位相關的研究發展計劃等。

　

　

Abstract

A survey of full-text data bases and related text processing techniques for Chinese ancient document in the past 12 years in Academia Sinica is presented in this paper. Five Institutes, (namely the Institute of History and phonology, the Institute of Taiwan History, the Institute of Literature and Philosophy, the Institute of Information Science and the Institute of Modern History ) and the Computing Center of Academia Sinica actively participated in this long range project since 1984. Beside, the Archival Library of National History also participated in developing the database of Ching Dynasty. Since 1995, some co-laboration projects with other Universities, such as London University in England, Stanford University, Michigan University in USA, Chinese University in Hong Kong and Chung-Cheng University, Chung-San University and National Taiwan Normal University in Taiwan have been launched to produce more digital texts. Now, the total character count of on-line full-text data bases are over 115 millions, and the data bases of more then 80 million characters are coming. In this report, we also survey some important techniques developed, including the structure of full-text database, the ways of handling missing characters, the management of data entry jobs, the development of markup system, etc. Besides, the status of some on going related research projects are summarized in this paper as a future perspective of the development of digital Chinese ancient documents.

_____________________________________________________________________________________________________

中央研究院資訊科學研究所究所文獻處理實驗室　　1997年3月

中央研究院古籍全文資料庫的發展概要

壹、前言

自從科技高速發展以來，人文和科技逐漸乖離，在社會中似乎形成了兩個完全陌生且不相往來的團體。在國外，史諾教授一本《兩種文化》的小書【註一】，毫不留情的痛陳此弊，引起了西方世界極大的關切。持續至今，如何調和人文和科技這兩個領域，仍然是西方國家內政上的重要課題。反觀國內，由於我國文化悠久深厚，累積本來豐富，再加上近數十年來對科技生吞活剝地急起直追，使得人文和科技的鴻溝遠比西方國家為大。明顯的徵兆是古代文獻離我們日常生活越來越遠。換言之，我們數千年人文的累積竟越來越無助於時下生活中的問題。

有鑑於此，為了中華文化的延續，務必要使古籍能活出現代風貌，不可任其在科技的洪流中式微沒頂，而解決的方法，則是將古籍以電子媒體表達。這就是中央研究院（以下簡稱本院）在1984年7月1日開始推動史籍自動化計劃的初衷。

電子媒體有極優越的性質。古籍的電子版本可無限地複製，且幾無複製的成本。於是，一旦電子古籍開發成功，它就是取之不盡、用之不竭的資源，可供全體人民共享。若有四通八達的電腦網路，則電子古籍可以瞬息千里，也幾乎不須花錢。於是，沒有運輸和分配的問題。再者，資料匯集後會產生新的訊息，經相互鉤稽參照，能發前人所未見，對研究工作非常重要。但是，古籍的匯集異常困難，不僅因量多，而且因原本希少，要匯集大量古籍原本加以整理研讀，光靠人力是幾乎不可能的事，而電子版本卻可輕易做到。此外，它無損耗，不需保養，不怕遺失，儲存方便，體積小，再加上可以用計算機做高速的檢索和種種的應用和處理，古籍的電子化實是使古籍活出現代風貌最佳、也是唯一的選擇【註二】。

本院處理古籍的計劃並不限於只使用全文資料庫技術，有許多資料是用關聯式資料庫處理的。諸如，1985年10月開始試做的「漢代墓葬綜合研究資料庫」，1986年2月的「台灣土著語言資料庫」，1986年4月的「台灣日據時代戶籍資料庫」，1987年1月的「清代竹塹地區土地申告書資料庫」，以及1989年計算中心所做的「說文解字和玉篇資料庫」等等。也有利用影像處理技術所做的古籍資料庫，如傅斯年圖書館發展的「善本書影像資料庫」，目前已完成該館近半數善本書的典藏，並已開放使用。這些資料庫雖非本文報告的重點，然而在語文處理技術上和全文資料庫是相輔相成的。

本文以下將先對已完成的及正在建構中的全文資料庫作一綜覽。之後，再介紹製作全文資料庫所發展的一些技術，並討論些製作與管理全文資料庫上相關的問題。

貳、古籍的全文資料庫

所謂全文資料庫，是以原文件的所有文字為素材，以儘量保存文件版面的方式所建構的資料庫。在本節中所列的各個資料庫，都是用同一個軟體工具，即「中文全文檢索系統」【註三】所做成的。所以它們具有相同的資料庫性質與功能，也用相同的檢索語言，對使用者而言相當方便。中文全文檢索系統把中文書籍製成全文資料庫, 並提供檢索、閱讀兩個主要功用。它藉著層級式的(hierarchical)目錄來反應書本的章、節、段落等結構, 使用者得以據其調閱正文, 或訂定檢索的範圍等。此系統也保留原書的頁碼和行次, 一則用來調閱正文, 再則用於報告檢索詞的出處, 方便使用者參照書本。正文具備橫、直兩種顯示方向, 編排的格式儘可能呼應原書, 且能夠區別註文、補文、贅文等與原文。表格的呈現與檢索排版雖較為繁複,目前已經克服。

檢索條件包含一個或多個字詞, 乃至高達數百詞, 亦無不可。每個詞的前後得附加排除字集,以除去不是要找尋的詞彙。參照檢索結果逐次修正排除字集，可以大幅提高檢索的正確率。各詞之間的關係為「或」、「且」、「且非」三者之一。檢索的範圍小至段落、大至整個資料庫, 無所不宜。也可限定範圍於特定的文素類別，如選擇正文或注釋。檢索的結果能定為含檢索詞的句子或段落, 亦得在檢索詞的前後截取定長的正文(collocation), 並按檢索詞及其前後文排序。【註四】

目前本院已上線的全文資料庫，如[表一]所示，其中以史語所擁有的資料庫最多，也最龐大。最早完成的是二十五史資料庫(1990年)，是史語所與計算中心共同開發完成的。資料庫內容，在[表一]之註及附表中有較詳之說明。台灣方志資料庫詳目如[表一之六]所示。

古漢語文獻資料庫的目的與其他者稍異，它是用來發展古漢語語料庫(corpus)及內容分析用的，故並未自由對外開放使用。此資料庫目前正在加標誌(markup)中。所謂標誌是把文章中隱晦的內容用明顯的特殊符號標明，其目的是便於用計算機作後繼的處理。目前語料庫所加的標誌有兩類，其一標示文件，分為篇章標誌、文章標誌和文體標誌三種；其二標示辭類。篇章和文章標誌分別標明書籍的篇章與文章結構。文體標誌則含三種論說文、三種敘述文及四種混合型文體。辭類的標誌則依古漢語語法逐辭標示【註五】，這些標誌配合著全文資料庫使用，但尚未完全定案，還在檢討改進中。古漢語語料庫計劃和資訊所文獻處理實驗室二者所發展的資料庫有研究和實驗的性質,是故其內涵與其他資料庫略有出入。

開發中的資料庫，如[表二]所示。其中仍以史語所最具規模，臺史所次之。史語所開發中的資料庫及其進度詳如[表二之一]。本院建資料庫目前的程序是先找不同的單位將原始資料各打一遍，驗收後用程式協助比對這兩份資料，此即一校。一校經改正後，進行人工二、三校，再一次改正，再四校並改正後，即完成資料登錄工作。這麼多道手續唯一的目的是確保資料的品質。了解這個工作程序，有助於了解[表二]中所示的各種進度。

從上述的情形看來，本院發展的全文資料庫製作技術已趨成熟，各所均能自行主導開發資料庫，計算中心的協助只是標誌方式的諮詢、中文造字的協調管理、建構資料庫時的機器操作，與必要的技術開發營運管理和維護而已。

表一. 中央研究院已完成的中文全文資料庫綜覽

1997 /2/14日製表

[說明1] 廿十五史自1984年開始，首期以全史的食貨志為主,1985年7月開始做前四史,至1990年6月,廿五史大致完成，唯不含表格,且有二千餘缺字待補。1992年9月,缺字補齊。1995年3月計算中心開始補表格的部份，至1997年1月表之部份已全部完成。

[說明2] 諸子(又稱古籍十九種)包含抱朴子內篇校釋、莊子集釋、法言義疏、東觀漢記校注、墨子城守各篇簡注、潛夫論箋校正、國語、莊子集解、莊子集解內篇校正、古本竹書紀年輯證、墨子閒詁、列子集釋、晏子春秋集釋、管子輕重篇新詮、四書章句集注、新語校注、戰國策、八家後漢書輯注、老子校釋。

[說明3] 含阮刻本《十三經注疏》及斷句十三經經文(台北開明書局)。

[說明4] 古籍十八種包含唐令拾遺、新校搜神記二十卷、齊民要術校釋、世說新語、典論、申鑒、中論、漢官六種、洛陽伽藍記校注、九家舊晉書輯本、顏氏家訓集解、荊楚歲時記、唐律疏議、山海經校注、通典、風俗通義校注、唐會要、後漢紀校注。

[說明5] 古籍三十四種由史語所漢籍全文資料庫計畫及古漢語語料庫計畫合作開發, 內容包括鄧析子、關尹子、太平經合校、鬼谷子(原文)、尹文子、慎子(原文)、孔子家語、鶡冠子、通玄真經(文子)、孔叢子、藝文類聚、論衡校釋、金匱要略(原文)、難經本義新解(原文)、傷寒論(原文)、黃帝內經(原文)、前漢紀、漢魏南北朝墓誌彙編、九章算經點校(原文)、周髀算經(原文)、越絕書、釋名(原文)、方言校箋(原文)、穆天子傳(原文)、西京雜記、吳越春秋(原文)、逸周書(原文)、文獻通考、朱子語類、楚辭補註、敦煌變文集新書、文選、華陽國志校補圖注、古小說鉤沉。前二十八本書於1996年3月底上線, 加上大正新脩大藏經, 合稱為古籍二十九種。1996年12月底新增後六本書, 更名為古籍三十四種。

[說明6] 自原古籍廿九種抽出大正藏部份，再加新增資料，於1996年12月底上線。

　

[說明7] 古漢語語料庫包含以下五個語料庫: 上古漢語、中古漢語(含大藏經)、近代漢語、其他、出土文獻。部分資料取自史語所漢籍全文資料庫, 故兩者間略有重疊。此計畫另有英國倫敦大學、中山大學、美國史丹佛大學與香港中文大學參與。各資料庫均已在本院內開放使用。本語料庫之出土文獻語料庫, 全部取自史語所漢簡小組所製作的資料庫。

[說明8] 臺灣方志版本，大部份選自臺灣銀行經濟研究室所出版的「臺灣文獻叢刊」標點本, 合計四十六種、一百一十六冊。其內容大別為三類：一為臺灣通志、府志及各縣、廳志，包括重修、續修之各版本；二為各地採訪冊、相關地區志書及輿圖；三為補闕的紀略、資料。

[說明9] 臺灣檔案版本，大部份選自臺灣銀行經濟研究室所出版的「臺灣文獻叢刊」標點本, 合計四十五種、九十三冊。1996年12月中旬上線。

[說明10]近、現代中國史事日誌版本選自郭廷以先生所編著之「中國史事日誌」、「中華民國史事日誌」等書。

[說明11]文心雕龍包括詹�Q《文心雕龍義證》、張立齋《文心雕龍考異》及范文瀾《文心雕龍注》三本書。

[說明12] 佛經三論包括《中論》《十二門論》《百論》共七卷

[說明13] 新清史•本記包括：太祖本紀､太宗本紀､世祖本紀､聖祖本紀､世宗本紀､高宗本紀､仁宗本紀､宣宗本紀､文宗本紀､穆宗本紀､德宗本紀､宣統本紀等

[說明14]簡帛金石資料庫內容包含中山懷王墓文子釋文、中國古代磚文、天水放馬灘日書甲種、包山二號楚墓、石刻題跋索引(漢-隋)、兩漢鏡銘集錄、居延未發表簡、居延新簡、居延漢簡甲乙篇、居延漢簡釋文合校、奏讞書、秦漢金文錄、秦漢南北朝官印徵存、馬王堆(1)52病方等、馬王堆(1)老子甲本等、馬王堆(3)春秋事語等、馬王堆帛書：二三子問、馬王堆帛書：刑德、馬王堆帛書：周易繫辭、馬王堆帛書：易之要、馬王堆帛書：昭力、馬王堆帛書：要、馬王堆帛書：繆和、疏勒河流域出土漢簡、敦煌漢簡、敦煌漢簡校文、敦煌漢簡釋文、散見簡牘合輯、曾候乙墓、雲夢龍崗6號秦墓釋文、新出石刻關係資料目錄、墓券、漢代石刻集成、漢印文字徵、漢碑集釋、漢簡書目(-1995.12)、睡虎地秦墓竹簡、銀雀山(1)孫子兵法等、醫簡•引書•脈書、帛書《刑德》乙本釋文校讀。

　

　

　

　

　

　

表二. 中央研究院開發中的中文全文資料庫綜覽

1997/1/14日製表

[說明1] 選自臺灣銀行經濟研究室所出版的「臺灣文獻叢刊」第三批, 計四十二種、九十冊, 約七百六十萬字, 正在二校。另有第四批資料, 亦選自臺灣銀行經濟研究室所出版的「臺灣文獻叢刊」, 計五十五種、七十三冊, 約五百一十萬字, 正在繕打中。

[說明2] 包括無上祕要、真誥、上清道類事相、三洞珠囊卷、雲笈七箋、道樞、道教義樞、上清經派(六朝前)、正統道藏第五十六冊(上清經派--六朝之後)。

[說明3] 文哲所提供出版用電子檔案, 正由中心標誌之中。

[說明4] 般若經論含：江味農《金剛經講義》，周止庵《般若波羅蜜多心經詮注》，藕益大師《金剛經破空論》，
黃念祖《金剛經一滴》和《心經略說》，潘重規《敦煌壇經新編》及其附冊，印順法師《般若經講記》等

[說明5]師大國文系負責資訊輸入及層級結構標誌, 計算中心提供轉碼､基本排版單元(ETU )增補及技術諮詢服務。

　

表一之一【諸子全文資料庫】目錄表
（總字數： 5,860,450 字）

表一之二【古籍十八種全文資料庫】目錄表
（總字數： 8,049,602 字）

表一之三【古籍三十四種全文資料庫】目錄表（總字數：12,264,715字）

表一之四【大正新脩大藏經全文資料庫】目錄表（總字數：5,054,793字）

　

表一之五【古漢語語料庫/】目錄表（總字數：13,010,490字）

（說明1：加ˇ者為與史語所《漢籍全文資料庫》計畫合製部份；
加＊者為本計畫自行建製之文獻；加○者為與中山大學合製部份；
加☆者為與中正大學交換部份；加◇者為與史丹佛大學合製部份；
未加上述任何標記者為史語所提供文件原文之數位檔案，再由本計畫製成語料庫。）

（說明2：加※者為已對院內公開的資料。）

（說明3：部份與表一之一及一之三重覆。）

表一之六【臺灣方志全文資料庫】目錄表（總字數：7,537,840字）
臺灣文獻叢刊第一批 凡四十六種共一百一十六冊

一、 通志、府志、縣志、廳志

二、采訪錄、一般志書與輿圖

三、補闕

表一之七【臺灣檔案全文資料庫】目錄表（總字數：7,100,885 字)

[說明]選自臺灣銀行經濟研究室所出版之「臺灣文獻叢刊」第二批，凡四十五種、共九十三冊。

　

表一之八【文心雕龍全文資料庫】(字數： 1,700,011 字)

　

表一之九【佛經三論全文資料庫】(字數： 104,257 字)

　

表一之十【簡帛金石資料庫】字數:3,391,582字

　

表二之一 史語所進行中的資料庫 (總字數：約54,898,000字)

　

表二之二　臺史進行中的資料庫（總字數：約12,700,000字）

　

一､臺灣文獻叢刊第三批(台灣銀行出版，共計四十二種，九十冊)：( 二校：7,600,000字)

二､臺灣文獻叢刊第四批(台灣銀行出版，共計五十五種，七十三冊)：
( 輸入中：5,100,000字)

表二之三 文哲所進行中的資料庫（總字數：約4,941,000字）

表二之四 古漢語文獻進行中的資料庫 (總字數：約650,000 字)

另與中山大學合作之明清文獻語料庫（1997年度）及與香港中文大學合作之「北宋五子語料庫」書目均待最後確定　

　

　

參、相關技術的開發

中文全文檢索系統(CTP/FTMS)是在UNIX作業系統下開發的，歷經多次版本的修訂。目前我們推荐使用[表三]的規格來裝設此系統製作的資料庫和端末設備。

CTP的文件擷取方式(access method)非常單純，主要用的技術是字串比對(string matching)。比對時對字串的長度和數目沒有任何限制，而它能將設定範圍內所有文件中匹配的字串全部找出來並加索引。比對時對字串的內容亦無限制，只要是系統字碼表中（我們用BIG-5）任何的字(character)都行。所以，理論上英文和標點符號等等也是可以的。只是英文的詞(word)有種種字尾及自身不規則的變化，我們未加處理，是故對英文檢索的能力甚有限。比對的速度是經精心設計的。目前在486(33MHZ)中平均每秒約可處理25萬字。這是連做索引等工作全部一起計算的「單位時間內的產量」(throughput)。若在SUN工作站中，則可達每秒70萬字以上。

由於字串比對的速度極為優越，整個系統可以不必預作索引，要查詢時現場做索引也不慢，且用過即可捨棄。因此，節省了大量空間，並省去系統更新資料時必須重作索引的麻煩事。但是，本系統也並非不可預加索引，預加索引後查詢的速度可不太受文獻大小的影響，查閱全部二十五史的反應時間在二秒左右，然而預加索引卻必須付出儲存空間及資料更新時維護的工作代價。索引､排除字集（Not in this word list）和邏輯關係(或OR,且AND，且非AND NOT)，以及網路功能等是由CTN進化到FTMS後所增的功能。此系統現有WWW(World Wide Web)版的檢索界面(1994年底完成)，可由本院的主畫面（WWW Home Page）切入，地址（URL）為http://www.sinica.edu.tw

CTP/FTMS 保存了原始文件的版面訊息，如頁碼、行次。也保存了原始文件的文件結構，如標題、篇、章、節、小節、段落、註解等等。為了要使計算機能了解這些訊息，在打字校對好的資料中，必須加上些標誌以使計算機能認得出上述的部件。有些標誌是在打字時，就訂在打字規則中的，如換行及頁碼。有些可以用程式偵察出來作自動標誌的，例如一般的段落。但是有些卻需要在打校之後用人工加上去，如篇、章等。因此打校好的資料，須要再經過「標誌」這一層工作，才可以輸入到FTMS去建構資料庫。輸入到FTMS後就一切都自動了，FTMS的輸出就是讀者可以立刻使用的全文資料庫。本系統的＜標誌規則＞，請參照[表四]。

由上觀之，要做資料庫，其實步驟甚單純，即在選定文獻後，經過繕打、校對、標誌後，即可上FTMS測試，若無毛病，資料庫即已大功告成。但是，從工作細節來說，仍有許多「經驗之談」(know how)是不吃過虧不會注意的，茲將這些經驗之談詳述如下兩小節中，其中最麻煩的是新造字的管理，這是目前字碼設計不良的後果。

表三、中 文 全 文 檢 索 系 統 裝 置 環 境

中央研究院計算中心

一. 主機部分 1996/5/20 修訂

*作業系統: 各型 UNIX。中文全文檢索系統曾裝設於下列 UNIX 環境中

作 業 系 統 主 機

--------------------------------------------------------------

SunOS 4.x, SunOS 5.2 以上 Sun Workstation

AIX IBM RS6000

SCO UNIX PC 486 級以上

MITUX 同上

UNIX SVR4.2 for the Intel Architecture 同上

*硬碟容量: 視全文資料庫的大小而定, 如二十五史佔用 160M。此外檢索時宜有 40M以上的工作空間。

*資料庫安裝方式:

1) 經由 Internet: 如果主機已連上 Internet, 且檔案傳輸的效率良好,可經由網路安裝於硬碟上。

2) 使用磁帶: DAT(4mm)磁帶、8mm 磁帶或 150M cartridge 磁帶。

*備份裝置:

資料庫安裝後宜定期備分。常用的備分工具包含磁帶、可讀寫光碟、或其他硬碟等。

*Word Wild Web(WWW) server: 如果想經由 WWW 瀏灠器(browser)如 Netscape 進行檢索,需要這個環境, 供安裝 WWW 版檢索程式之用。

*系統印表機: 與主機直接相連的印表機, 或與主機經網路互通的印表機伺服器, 具備BIG5 中文字型,
且能擴增新字。若欲節省經費, 可予省略, 而以與使用者 PC 連接的 local 印表機替代。

二. 使用者設備

1. WWW 瀏灠器:

如果主機上裝有 WWW 版檢索程式, 使用者可利用 WWW 瀏灠器來檢索, 如NetScape、Webexplorer等, 它最好有表格(table)功能。WWW 瀏灠器所在的視窗(window)環境,要具備中文能力, 中文碼設為大五碼(BIG5)。由於操作程序簡易, 一學即會, 建議儘量採用此法。中文全文資料庫(如二十五史), 往往包含為數可觀的造字,初次使用前最好依指示安裝造字檔。不過目前只提供 CWindows 的造字檔, 假如未安裝 CWindows,無法顯示造字。這個問題有待克服。有意試用者, 可由中央研究院的首頁(home page)進入, URL 是 http://www.sinica.edu.tw。連上首頁後, 選「資料庫」,再選「中文全文檢索系統」即可。

2. 終端機(terminal): 將 PC 模擬成終端機連接主機, 並執行文字版檢索程式,這是傳統的作法。
所需設備如下:

*IBM 相容 PC

*DOS

*連線

. 已架設 Ethernet: 網路卡與中文連線軟體, 如交大中文版 NCSA。

. 未架設 Ethernet: RS232 port 與相關連線軟體, 如 MS-Kermit。

*倚天或相容的中文系統(如國喬)

. 造字近四千五百字, 字型分為 24x24 與 16x15 兩類, 前者字體美觀正確,後者則是由前者經倚天 的工具轉換而來, 字體差強人意。目前可顯示 24x24字型的中文系統已非常普遍, 再配合 super VGA 顯示器即可。

. 如果使用者經由網路連上主機, 可自行由檢索系統取得造字檔,安裝於個人的中文系統中。否則必須設法提供造字磁片給使用者。

3.可配置 B4(132 bytes) local 印表機

表四、標誌符號簡表

1. 層級結構 1995/4月製表

2. 基本排版單元

3. 表格

4. 圈引

一、 資料建製管理

資料建製包括繕打、校對、標誌與測試四個步驟, 循序漸進。這並不表示完成所有的繕打才全面展開校對; 完成所有的校對才開始標誌。否則既會降低工作的效率, 也會礙及逐時推出部分成品的機會。除了繕打之外, 應該將全部的資料分割成若干單元, 如將一本古書按卷分工之類。每個單元由專人依校對、標誌與測試的作業順序, 一氣呵成。而不同的人可以對不同的單元平行作業, 最後加以組合,即為完整的成品。即使只有一人, 前述的方式仍然適用。

1. 繕打

繕打前應瀏覽原始資料, 擬訂繕打規範。原則上按版面登錄,使輸入者藉直覺高速作業。然而為了方便標誌, 甚或以程式協助標誌, 必要時可對常見的版面格式訂定特殊的繕打方式。如有造字檔, 繕打時務必裝設。

繕打規範通常包括下列事項:

•擬訂資料分割、檔案命名方式。

•一律橫打, 採橫式引號。

•規定其他標點符號打法。規定各種排版單元起始空白數, 原則上按書籍版面留起始空白。

•加頁碼標誌。

•夾注起迄處標 \qn 與 \Qn。一行裡假如同時有大字原文及小字雙行夾注,

按行文順序打成一行。原始資料中的 \ 打成 \\。

•含文字的表格原則上依行文先後順序打, 不理版面因素。

•缺字打成●(A1B4)。

•建立異體字替換表。

2. 校對

由於傳統人工校對的效率遠低於繕打, 且適當的校對人員也比繕打人員難求, 建議一式資料由不同人員繕打兩分, 初校時用程式比對兩分資料的差異, 僅就差異處加以修訂。兩位輸入者在相同位置犯相同錯誤的機會很小, 初校往往能迅速過濾大部分的錯誤。

校對時, 逐一記錄打不出來的字及其出處, 成為缺字表。然後藉程式的輔助, 由缺字表篩出新字表。切勿純賴人工操作, 否則不僅浪費時間, 而且錯誤頻仍。把新字表交給造字管理小組做後續處理, 該小組會回覆一分核校過的新字表。受制於造字空間有限，依據各新字的的字頻, 決定處理方式:作為公用造字、專屬造字、代以既存的異體字或捨棄。專屬造字至多 471 個。捨棄的字除外, 儘量查出諸字的注音。公用造字由造字管理小組統一製作，專屬造字通常由資料庫建製單位自製。

造字檔完成後, 據缺字表補字。事前最好複製資料檔, 供修補後校對之用。如果還有不造的字, 應自缺字表勾選其出處, 供使用者參考, 兼日後補正之依據。

3. 標誌與測試

標誌前瀏覽資料, 訂定標誌通例。實際作業時若遇到例外狀況, 隨時討論增修。各個檔案先校對再標誌; 先標文件層級結構, 再標基本文素裡的排版單元。標層級結構時, 逐層而下, 完成一層後, 再進行下一層。標誌最好用編輯器直接進行, 不要先行紙上作業。標完, 即刻試將此檔建成資料庫, 檢查是否正確。

由於校對甫成時, 對資料最是熟捻, 針對限量資料, 宜由同一人連續校對、標誌及測試, 期能獲致較高效率。此亦可增加工作的變化, 及定時推出部分成品。

4. 資料庫開放

開放時宜附文件, 說明緣起、原典版本、選擇依據、作業經過(人力、時程等)、電子版體例、造字表、異體字替換表、缺字表、校勘記、未含的資料等。

資料庫中若有專屬造字, 稱為專屬資料庫, 必須配合特定的專屬造字檔, 才不會導致誤讀。專屬資料庫的開放程度, 及相關造字檔的散播, 由持有單位決定。

正式開放的資料庫, 只含公用造字。專屬造字一律取代成●。使用者的造字檔只要有正確的公用造字, 不論含專屬造字與否, 都不至於產生誤解。這樣的資料庫稱為公用資料庫。資料庫完成備分後, 原始資料檔便可刪除。

5. 資料庫修改

資料庫完成後, 蒐集使用者提出的指正, 隨時更新。此外還可能受新公用造字的影響, 必須修改, 見＜中文造字管理＞。

二、中文造字管理

1. 公用區與專屬區

Big5 碼造字空間有限, 不能容納所有的新字, 故將其割為兩區, 亦即公用區及專屬區。新字經過字頻統計後, 選擇使用次數較高者, 置於公用區, 稱為公用造字,其餘的捨棄不用。唯有些資料建製者, 仍希望將這些字納入造字檔中, 使電子資料完整無缺, 遂有專屬區的設置。個別的資料建製者, 得將排除於公用區之外的新字, 安置於專屬區內, 是為專屬造字。不同的資料建製者, 規畫專屬區的方式各異。專屬區無法容納的新字, 應予割棄。公用造字由造字管理小組製作, 專屬造字原則上由資料建製單位自製。造字檔如果只含公用造字, 叫公用造字檔; 假如又有專屬造字, 便叫專屬造字檔。倚天系統的中文造字空間安排如下:

公用區:高位元組（high byte） FA~FE, 8E~9D, 81~8D

低位元組（low byte） 40~7E, A1~FE (計34*157 = 5338字)