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

肆、應用

在本章中，將舉三個與缺字有關的應用依次說明。首先報告用本系統設法解決電子佛典缺字的計畫。其次，介紹利用字形資料庫改良資料登錄系統的規劃。最後，觸及根本問題，希望從本文的理論與經驗中，重新考量交換碼的設計。畢竟造成缺字問題的元兇，就是目前的交換碼。

一、電子佛典缺字的解決方案

佛教典籍多屬古書，其中常有當時通用之字形，與現代的「標準」字形並不一樣。在台灣，有許多機構正在製作電子佛典，一則為了流通，二來為了保存典籍。可是，缺字問題卻造成流通和保存上致命的障礙。為此，台灣大學文學院佛學研究中心邀集各機構，擬共編一套《電子佛典補充字集》來解決問題。幾經商議，同意由本實驗室負責技術工作。這個工作規劃實是一個典型解決缺字的方案。

參加機構所製作旳佛教典籍，計有：《大般若經》、《禪藏》、《佛光大辭典》、《丁福保佛學辭典》、《律學辭典》、《大正藏第九冊》，以及近代的套書《妙雲集》等。各機構先匯集缺字，並查明其屬性後，送交本實驗室合併處理。

莊德明先生曾就送來的缺字予以分析，發現甚多是由於字體不同而產生的分毫字樣。這些字目前暫不處理，餘者分類如〔表九〕。表中，除第二類屬結構變化外，餘皆屬字根與部件的變化。這些字大多是異體字，可登錄在字形資料庫中，目前已存入500多字。【註十一】

這些字存入Big-5碼中，亦有規定，詳如〔表十〕。由於造字空間只有5809個，在使用上至少應分成公用造字區及專屬造字區。若造字使用頻次較高者，應置於公用造字區；頻次較低者，則依個別的需要而置入專屬造字區。然而在造字初期，若無頻次的統計資料，可先收錄佛經中非咒文的用字。佛典用字除了漢字以外，還有特殊符號，包括外文字母、流水號及佛典常用的符號。流水號的編號有「１、２、３……」、「一、二、三……」、「壹、貳、參……」、「甲、乙、丙……」、「子、丑、寅……」等，外框樣式則有「○、（）、●……」等，以五大碼有限的造字空間，自不可能將這些流水號通通收錄，目前只為流水號預留100個位子。

常用的外文字母包括梵文、巴利文、藏文及日文。造字區第四段C6A1-C8FE在倚天中文系統下另有定義，其中就包括了日文字母，為兼顧倚天及中文視窗使用的一致性，這一段我們不用。另外依據臺大佛學研究中心「梵巴藏羅馬字轉寫與中文軟體的相容問題」討論會議結論，有鑒於五大碼造字空間有限，目前只收錄32個梵文、巴利文及藏文的轉寫字母。規劃下來，真正能給補充字集用的有四千個字位，應該可以用一段時間。如果這四千個位置都滿了，則可用字形位標來借用其他碼的造字空間存放。

二、資料登錄系統之重新設計

資料登錄時常遇缺字，其後果與代價已如前述。為改善這些缺失，我們規劃了一個利用字形資料庫、網路以及視窗多功能等特性的新資料登錄系統，其流程示意如〔圖十〕。

圖中有兩種作業，即資料登錄和登錄管理。配合的作業員，甲的工作是打字，乙是缺字管理。一個乙可以同時和許多甲配合工作，數量多少視原始文件缺字情形而定。兩種作業用相同的視窗操作系統，並用區域網路連接，是故資料及控制的信息皆可線上互相傳遞。當缺字發生時，打字員只要鍵入字根序或部件序的形標，其餘的事便全由電腦或乙來完成了。

乙在螢幕上隨時可見到剛發現的缺字形標。如果許多甲都發現相同的缺字，電腦在「新字形登記」時會自動將重複排除。當乙收到缺字的形標，可以立刻翻閱文獻，將各項新建字形工作完成。這個程序要花些時間，但比起現在的人工作業已經快了許多，我們估計，就算半個小時應付一個新字，已經和以往費時數日的情形，不可相提並論。以後將字書存入電腦後，可以在線上直接查缺字屬性，這些工作還會加快。新增的字形，可定時更新字形資料庫，並修正打字初稿。這個系統目前仍在設計階段，尚未完成。

圖九：資料登錄系統流程圖

三、改良交換碼的建議

目前交換碼的根本病源，是錯把字形當作字。在此名實不符的情形下，名叫字碼（character code）而實際上卻以字形的差異來判別字。例如，五大碼中饑（C4C8）和飢（B047）分別佔兩個碼位。那麼它們是不是同一個字呢？依碼中的定義，不是；但在語用上實在是同一個字的兩個形罷了。這種情形在各交換碼中比比皆是，Unicode和ISO10646也不例外。從文字學和語言學的角度看來，這種文字知識的表達根本是錯誤的，不健康的。從科學的角度來看，定義都錯了，往後推演可以勿論。像這種不健康的設計，導致目前應用上捉襟見肘，毛病百出，並不是意外的事。要改善交換碼，自應從此處下手。

此外，應知漢字集合從集合論的觀點來看是一個開放集合（open set），隨時可能增加字。它和封閉式的字母集合（close set）不同，字母是不會再增的。這些基本性質的不同，將導致其不同的性質和處理方式。可是，目前的做法卻是套用ISO 646處理字母的方法，來編漢字的碼。這真是削足適履。以上的說明和批評是希望大家了解，要改良現有的交換碼必須要爭脫既有的思考巢臼，否則不會有徹底解決的辦法。以下就是我們根據上述的原則，對改善現有交換碼所提出的方案。

（一）三段式的編碼

首先，我們建議對字、字形、字體分三段編碼，如〔圖十〕：

圖十：字碼、字形碼、字體碼、風格碼的關係

若字形附碼與字體附碼都用時，則前後不拘，此時若只選字體而無字型參數，則稱風格碼（style code），若含有字形參數，則稱為字樣碼（type face code）。字碼的使用與現在使用交換碼相用。字形碼、字體碼，風格碼或字樣碼等，則可以用前述之漢字形標載之與字碼一起用。字樣碼可能較長，因為其中可能包括許多字型的參數，這無關本文主旨，詳情略而不談。字形附碼只是一個正整數的編號。在本系統中它可以用來區別異體字，也可以用來存放某字集中所用的字形。例如，我們把《中文電腦基本用字》表中的繁體放在字形附碼為１的位置，把大陸標準簡體字放在２的位置上。這樣使用字形附碼的方式可以存放更多的文字信息。

1. 只用字碼時，失真最大。此時不在乎所用的字形或字體，如台灣和臺灣都是一樣，只求明白語義就好。許多應用至此已可滿足。
2. 用字形碼時，表示還要求正確的字形；用字體碼時，重在選定字體（不在乎字形）。這情形比上列的情形失真少。
3. 用風格碼時，失真又比前者少。不止字形要對，字體也不能錯。
4. 用字樣碼時，幾無失真，字的大小、粗細、……使用者與接收者完全一樣。

每個字形的構字式都不相同，所以它可用作字形的識別碼。這情形在討論漢字位標及形標時已述及。此節說明此觀念在設計交換碼的可能做法。

用構字式作字形碼最大的好處，是它是一個封閉系統：只要有一個封閉的字根集合，配以〔表四〕的規則，就行了。如此便可省去成千上萬的碼位。《交大字根系統》用496個字根就能產生48713字形的碼，並且還有不需要修改系統就能對付新字或缺字的彈性，就是最好的例子。其次，構字式是一種知識表達，它不僅較數字碼易讀易懂，所孕藏的構字知識更有利於應用程式的處理。然而，它的缺點是構字式長短不一，也嫌它太長，以致用起來較不經濟。

部件序或根序較構字式簡潔許多，用它們來替代構字式是很自然的想法。以《中文電腦基本用字》的9122個字形，加上629個部件，457個字根，亦可產生48713個字形。此時9122個形只用一字碼，而其餘約4萬字，每個構字序卻可簡潔如15頁的那11個式子。換言之，可用漢字形標來表示剩下的四萬字形，每個字形之長度僅二或三個字碼。由於9122個字形的累積使用頻率已高於99.9%，餘下千分之一以下的機會用較長的碼，對系統之效率影響極為有限。所以善用構字式實是改善目前交換碼的一個好方法。

【註十一】 詳見莊德明，〈佛典共用造字集的規劃〉1995，及〈佛典共用造字集的整理〉，1996，文獻處理實驗室，中研院資訊所