中文字形資料庫的設計與應用 3-1

謝清俊、莊德明、張翠玲、許婉蓉

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。

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。　

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。

【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)。　