電子古籍中的缺字問題 8-6

參、系統設計與實務

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。

表七校勘後(交大字根)表

表八校勘後(交大;部件)表

（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＝𠺫岙離　2. 離＝离岙隹　3. 璃＝王岙离

4. 擒＝𡄽岙禽　5. 噙＝口岙禽　6. 离＝橣熷禸

7. 禽＝尜熷离　8. 隹＝�熷�　9.�＝𢯎熷𢶤�g

10.橣＝𢯎熷凶　11. 凶＝凵㶊𡃇�t�

1至11這些式子稱為「構字式」，其中岙熷㶊分別表示橫連、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＝𠺫岙（离岙隹）

　＝𠺫岙（（橣熷禸）岙（�岙�））

　＝𠺫岙（（（𢯎熷凶）熷禸）岙（�岙（𢯎熷𢶤）））

　＝𠺫岙（（（𢯎熷（凵㶊𡃇））熷禸）岙（�岙（𢯎熷𢶤）））…… (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＝𠺫𢯎𡃇凵禸�𢯎𢶤 …… (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。

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，「芍䏁藥‧3㗱」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䏁和㗱之間的。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。

此外，在筆劃方面也有些差異，如：「𠮩」與「总」，「呂」與「瀬口」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》中找不到㩧字，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