第一屆中國文字學會學術討論會•天津 1996年8月25-30日

電子古籍中的缺字問題

參、系統設計與實務

前文談到問題的;背景和一些觀念、理論，在此報告解決缺字問題的實踐。我們將構字模式、校勘過的《交大字根系統》及《中文電腦基本用字》放在電腦中構成「字形資料庫」，希望以此為基礎發展。【註七】 談電腦的實踐，免不了涉及些較專門的工程技術，但本文重點不在此，故仍以字形相關的實務為此報告的重點。

一、系統概述

本系統是在IBM相容的個人電腦中，台灣版中文視窗3.1作業作業系統下，用Visual Basic程式語言發展。系統中有兩個資料庫，《字形資料庫》及《文字屬性資料庫》，都是用Foxpro資料庫管理系統建立的。

這個系統有幾個用法。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。

目前系統已經輸入了三個字集，其一是校勘後的《中文電腦基本用字研究》，共收 8529 個字，另有參照字形 593個，部件629個，字根457個。其二為前述字集再加上大陸的標準簡化字【註八】，字數不變，參照字形增加為2284個，部件664個，字根492個。第三個字集為《電子佛典補字集》，只收錄一些機構製作電子佛典時所缺的字，目前有500餘字，字數尚在增加中。

依本系統的設計，可以由構字上觀察到字形，由標示中觀察到筆劃的變化；卻看不到實際的「字樣」。目前，系統只完成〔圖四〕中的字形結構部份，至於由筆劃組成字根的部份則尚未完成。

字形資料庫的檢索歸納為字形查詢與頻次查詢兩個介面。字形查詢時可查字形結構和字形孳乳，但請先注意字與字形的區分。例如查詢林樹字集中的「�晼v字時，視窗畫面上會看到「牆」、「�晼v及「廧」三個字形,　以「牆」為該字集的標準字。其次，並非所有的字形皆可看到實際的「字樣」，原則上，我們並不為這些字造形，而是以構字式表示。例如：查詢「雞」時，可看到「雞」、「雞-3」及「雞-4」三個字形；其中字形「雞-3」為「奚」橫連「鳥」，「雞-4」則為「又」橫連「鳥」。字形查詢的畫面如〔圖七〕，以下簡單列出查詢的方法及注意事項。

頻次查詢時，應先示明所選之字集、查詢之對象及排序方式。查詢的對象有字、字形、異體字、部件及字根等，排序則可依字碼、序號、字頻、字根頻、字根次等排列。至於字根頻及字根次的意義可以林樹字集中的字形「故」、「做」為例說明：

字形「故」、「做」的頻次分別為 1685 及 4326；在林樹字集的字形中，使用到「故」的只有「故」、「做」兩個字形，所以「故」的字根次為2，字根頻則為 1685 + 4326 = 6011；至於「做」的字根次為1 (「做」本身)，故其字根頻為 4326。字根次的計算單位為字形，部件及字根並不含在內 (除非其本身即為字形) 。頻次查詢的畫面如〔圖八〕。

圖八、部件頻次的查詢

頻次表的搜尋功能只針對目前的排序項目。例如欲搜尋字形，必須依內碼作排序；序號、字頻、字根頻、字根次的搜尋則須依序號、字頻、字根頻、字根次分別作排序。數字的搜尋並不需要完全一致，例如在下表的林樹字集中，搜尋字根次 100，此時會找到字根次 104 的資料。

頻次表的第二欄位為字形碼，可用來表達字和字形間的關係。例如林樹字集中的「雞-1」、「雞-3」(「雞」的第三個字形，字形碼2保留給相對應的大陸簡化字)及「雞-4」(「雞」的第四個字形)，其中「雞-1」即為「雞」，「雞-3」及「雞-4」必須由結構看出。它們在資料庫中的表達方式如下：

然而對於字形「牆」及「�晼v，假定「牆」為標準字，它們在資料庫中的表達方式如下：

瀏覽頻次表或查詢結構時，只會列出「�晼v，而不列出「牆-2」(小於2的字形附碼通常省略) 。字、字形、異體字、部件及字根於資料庫的表達中有下列的特徵：

所以在資料庫中，可用來代表字者，必然是字形，也可能為字根。以下簡單列出查詢的方法及注意事項：

二、字形實務

本節討論的是與字形相關的一些重要問題，包括基本資料的整理、字形知識的表達、字形變化的標示，以及兩岸字形上的一些實務問題。茲分四節陳述如下。

(一)以往資料的整理

《中文電腦基本用字》和《交大字根系統》都是廿五年前資料,現在已經無法取得其電子版，所以只好重新整理。但這樣也好，順便可做一番校勘。這廿五年來，電腦的變化甚大，致使許多設計上的考量也變了許多，這些差異，也可在校勘時斟酌修正。

我們重新將《中文電腦基本用字》的9129字形逐一分解，檢查是否有分解得不很自然的地方。若有，則不惜加字根或部件。這是因為今日的個人電腦記憶體，已比當年大了一千倍以上的緣故。同時，也校勘錯字。由於當年匆匆付印，《中文電腦基本用字的研究》一書的字表中，有40字有誤。這些錯誤在編印《漢字綜合索引字典》時，曾予以更正，但未留下此四十字的勘誤表。這些也在此次整理中一並解決。【註九】。

整理後，發現有三個字（六個字形）重複並無法肯定，予以刪除。此外，有一異體字誤植，亦予以刪除。故實得8529字，共計9122字形。重新核對後的字根共457個，部件629個，分別如〔表七〕、〔表八〕。這兩表的字形，在五大碼中所無者，都造在五大碼中。校勘後的《中文電腦基本用字》之熵值為9.60。加權後平均每字的字根數為1.9，這些數據和往者差別不大。

（二）字形的表達與呈現

讓我們先用例子，來說明一些名詞和符號，以及構字信息在電腦中的表達方式。〔圖六〕最右一枝中的一些字在電腦中的表達如下：

1. 灕＝���臕驉@2. 離＝离��隹　3. 璃＝王��离

4. 擒＝���繨V　5. 噙＝口��禽　6. 离＝�^��禸

7. 禽＝�]�鵖獺@8. 隹＝�����翩@9.�翩��B���w�g

10.�^＝�B�韙縑@11. 凶＝凵���I�t��

1至11這些式子稱為「構字式」，其中�����韝嬪O表示橫連、直連、包含等定位符號。電腦可依構字式，逐次追蹤以消去式中的字或部件，而得到完全以字根表示該字構成的「字根構字式」。如(3) ：

灕＝����（离��隹）

　＝���礡]（�^�鮸芋^�礡]�����翩^）

　＝���礡]（（�B�韙縑^�鮸芋^�礡]���礡]�B���w）））

　＝���礡]（（�B�鞢]凵���I））�鮸芋^�礡]���礡]�B���w）））…… (3)

(3)式中的「灕」是八個字根構成的，若省去定位符號，(3)式可寫為：

灕＝���B�I凵禸���B�w …… (4)

(4)式稱為灕的「字根序」。比照此法，1至11式也可將定位符號省略，省略後的式子稱「部件序」，或「字根序」。

構字式中擁有字形結構完整的資料，部件序和字根序則否。雖然如此，字根序的判別能力還是很強的，在林樹字集中，只有八對字沒法以字根序判別，如（唄、員）。是故在判別字時，用字根序不失為一良法，它比構字式單純得多。可是，在實用上它還是嫌太長。部件序雖然所含的字形信息最少，但是它最簡潔：通常只有二個部件（偶有三個），而且省略的一個定位符號絕大部份可由前後部件的性質中判斷出來（用電腦）。所以，用它來表示所缺的字是很方便的。

我們可以把一個字集中所有字形的構字式放在字形資料庫裡，這樣便完整地將該字集的字形信息（或知識）放入了電腦。以《中文電腦基本用字》為例，共有9756個構字式，其中8529個屬字集的，593個屬異體字，629個屬部件的。若將該字集中對映的簡化字也放進去，則有2284個屬異體字的構字式，部件加多了35個共計664個，而8529個屬字集的依舊不變，總計11477個構字式。

（三）字形變化的標示

用SGML來標示缺字的方法，是由Wittern及App首先提出的【註一】，稱為「漢字位標」（Kanji Placeholder，簡稱位標）。漢字位標規定以「＆」起頭，以「；」結束，而夾在其中的字串分為兩個部份，分別表示該字形在某一碼的某一位置。

利用此位標，就可以跨不同的碼來互補缺字。Wittern及APP建構了一漢字庫（KanjiBase），包括JIS，BIG5（即五大碼），Unicode及CNS等。其中CNS有４萬八千字，字數最多，Unicode次之。若平時作業中遇有缺字，則首先在CNS中查尋，如果有該字字形，則用位標將CNS之碼標明在文件中；若無，再Unicode。例如：「&U4AB5」表示一缺字；其中U表示Unicode字集，4AB5表示該缺字字形的Unicode碼位。

這個方法可以減少缺字，是有用的；而且它採用了國際的標準作為換碼的控制，有助於大家採用流通。然而，依前言中的討論，這個方法並沒有完全解決缺字所帶來的諸多困擾。再者，由於「＆」被用為控制碼，雙語文章中若要用「＆」時怎麼辦呢？善用SGML是解決缺字問題有力的方法，本系統將修正漢字位標的作法，提出更有效的方案。　

漢字位標是以SGML的標示（tag）為載具，用其他字碼中的字形來表達缺字。仿此，我們可用構字信息，即構字式、字根序或部件序來表達缺字，稱為漢字形標（Kanji Glyphholder），簡稱形標。以部件序為例，說明如下。

假設��表示標示的起點（open delimiter），��表示結束（close delimiter），則佛經中的阿門佛可用：阿��門人人人��佛的字根序表示；如果字集中有「�鬗H」字，也可用阿��門�鬗H��佛的部件序表示。這樣的表達方式，可以免去查其他字碼的工作，而部件式所含的信息足夠作為認別該字缺字之用。

同樣的方法也可用來標示異體字。所用的方法是在構字式（或字根序、部件序）之後用一「•」作區隔，再接上該字的字形碼。所用的標示與上相同。如，「芍��藥•3��」表示「芍葯」，若葯是藥的第三個異體字。

形標並不排除位標，Wittern和App的漢字位標也可以放在��和��之間的。所以，形標包含位標的功能，比位標更方便，是位標的延申。

（四）兩岸字形的共享

為了兩岸字形能夠互通共享，我們嚐試將簡化字及大陸的字根與「部件」納入系統中。在簡化字方面，是採用蘇培成根據1986年《簡化字總表》所編的《漢字繁簡對照字典》中收錄簡化字。目前已填入與《中文電腦基本用字》中能相互對應的2017個，餘下未收的242字正在造字樣，尚未填入【註十】。至於字根方面，則採用武漢大學《現代漢語定量分析》書中收錄傅永和先生〈漢字結構及其構成成分的統計及分析〉一文中所列的字根，以及ISO/IEC JTC1/SC2/WG2/JRG N319號文件〈ISO 10646 Additional Components 〉的字根。這些字根並未一次放入系統中，目的是要測試二者的相容程度。結果顯示兩岸的字根是十分相容；加了2235個字形後只增加了35個字根和36個部件，其中多屬簡化的偏旁及部件。

在字形結構方面,遇到了一個問題，那就是簡化後的偏旁或部件有使用情境的限制，如「�\」不單獨使用，亦不出現在字形的下方。又如，蘭簡化為　，攔簡化為　，讕卻簡化為　，不是　。闌是簡化為　的，是不是字典錯了，攔應簡化為　？因為蘭不是闌呀。由於文獻不夠，我們很難查證，也無法獲得簡化字時所定的規則加以判斷。這種依情境而作不同簡化的情況，使得在孳乳結構中產生了些例外。也引發了界定「界體字根」的課題，換言之，沒有辦法簡單地用一字根替代另一字根而得到繁簡的對映，只有逐字登記其構字。我們相信簡化必有依據與規則，若可獲得這些規則或將之納入電腦，以便更有系統地表達簡化字形。由於有這種情形，也使得有些可以「類推」的簡化部件，在類推時產生猶豫，如婁簡化為米�韙k，嶁、寠、廔等三字在字典中找不到，是不是可類推呢？或是這些字已刪除了？

其次，據聞大陸整理過異體字表，在簡化過程中合併了些異體字，如鉋、碼�禰獢B砲、炮合併成炮。這情形也因為我們缺乏了解而產生問題：究竟鉋、碼�禰獢B砲、砲還在不在GB字集中？它們是消失了？或是仍算作異體字？如果能獲得異體字表及相關信息，我們就不會如此無知而不知該怎樣處理這些字。

此外，在筆劃方面也有些差異，如：「�驉v與「�f」，「呂」與「�穭f」等。這些差異用分毫字樣的函數盡可表達，應該不會造成問題。只是《漢字繁簡對照字典》中找不到�k字，雖然在鋁、閭兩字中可以印證，但總是不放心。也許是我們用的《漢字繁簡對照字典》不太好罷，在資料收集上我們應更努力。

總之，繁簡字形合併在字形資料庫中，目前雖有些問題，但大體上是可行的、成功的。前述的困難加大了字形結構上的複雜程度，並不是不能實踐。

【註一】 Christian Wittern and Urs App.〈IRIZ Kanji Base : A New Strategy for Dealing with Missing Chinese Characters 〉
世界電子佛典會議(EBTI)台北，1996年4月

【註七】 謝清俊、莊德明、張翠玲、許婉蓉，〈中文字形資料庫的設計與運用〉，中國文字學會年會，台中1995

【註八】 依照《簡化字總表》(1986年版)，共取簡化字2235個，及相對應的繁體字2259個。
蘇培成編著，《漢字簡繁體字對照字典》，台灣珠海出版有限公司，1994

【註九】詳見許婉蓉，〈林樹字集的更正及問題字〉，中研院資訊所文獻處理實驗室，1996

【註十】許婉蓉，《林樹擴充字集中的簡化字》，文獻處理實驗室，中矸院資訊所，1996