佛典共用造字集的規畫(初稿)



佛典共用造字集的規畫(初稿)

莊德明  中央研究院資訊科學研究所研究助理




摘　　　要

近年來，佛教典籍的電腦化在國內逐漸受到重視，其中的應用包括電腦打字排版、電腦輔助教學、佛學書目及佛典全文的檢索等等。由於國內的中文電腦應用程式大多採用五大碼(Big-5)．然而五大碼並不足以應付佛典用字，所以「造字」便成了佛典電腦化不可缺少的工作。

假使每個單位都得各自造字，不但是資源上的浪費，更形成電子佛典流通上的困擾。本文分析了幾個佛典造字集，並且討論以下問題：(一)那些字該收錄，那些字不該收錄？(二)若有新字，如何判斷該字是否已在造字集中？(三)造字空間如何分配及如何編碼？

本文對於中文內碼的討論，雖然只限於五大碼，然而編碼的規則實可適用於其他的中文內碼。為了兼顧倚天中文系統及微軟中文視窗使用上的需要，本文也提出點陣字形及縮放字形的解決之道。







中華民國八十四年九月二十六日
中央研究院資訊科學研究所文獻處理實驗室
壹、造字收錄的原則

自八十三年十月起，本實驗室陸續收集了多位法師及大德提供的造字集，造字總數為5807字。造字集的字數及提供者如下：(依提供時間先後排序)

1 悲廣文教基金會489字 (陳惠珍小姐提供，有造字檔)
2 西蓮淨苑46字 (釋慧觀、釋慧明法師提供)
3 佛光山《禪藏》2041字 (佛光山陳履培居士提供，有造字檔)
4 大乘精舍印經會2000字 (彌勒內院釋道果法師提供)
5 慧燈文化事業有限公司464字 (彌勒內院釋道果法師提供)
6 某造字公司444字 (彌勒內院釋道果法師提供)
7 漢功企業63字 (林光明居士提供)
8 佛教電腦資訊庫功德會260字 (沈家楨居士提供，有造字檔)

以下就針對這些造字集，提供幾點意見。裏頭的例子，有關造字部分，為了便利文件的流通，只用「字根式」表達，其中符號「∞」或「Ｈ」表橫連、「％」或「Ｖ」表直連、「◎」或「Ｃ」表包含，這部分下一節會繼續說明。

一、字集中相同的字應予合併，如「彳∞扁」、「金∞本」、「少％兔」等。也有幾個字可能五大碼中本來就有，沒有發現而已。所以造字的認定，可以分成兩個階段：1. 確認五大碼中不包含這個字(缺字)。 2. 確認造字集中也不包含這個字。使用者通常透過一種或兩種以上的輸入法間接認定新字，本文將在下一節中提出其他的方法來確認新字。

二、字集中包含部分特殊符號。有些符號用以區分文章結構，如「□◎經」、「□◎解」等；有些為段落排序，如「□◎甲」、「（∞10∞)」等；有些為外文字母，如日文、梵文等；其他如「○◎佛」、「○◎日」等。這些符號是否需要全部收錄？

三、有些字只是字體上的變化，五大碼中已有該字，卻當作新字而予編碼。如「飯」、「躺」兩字五大碼中已有，由於楷書和明體有所出入，而另外造字，這些字實不應收錄。另外一些則是字和字形的問題，或稱為異體字、通用字，如「彳∞扁」和「遍」、「去∞刀」和「劫」、「君％羊」和「群」等，這些字該不該收錄？若以「字」為收錄的原則，這些字就不須收錄；若以「字形」為收錄的原則，這些字就該收錄。有關字、字形及字體的定義，可參考[一]。
貳、造字的索引

文字輸入時，一旦發現缺字，接下來就要檢索造字集，檢查這個字是否已經存在，需不需要再造新字。造字索引的方式可分為部件索引及屬性索引。

一、部件索引。漢字由部件構成，可將字形以橫連(∞或Ｈ)、直連(％或V)和包含(◎或C)分解成基本的部件，稱為字根。如

「根」的字根式為「木∞艮」；
「時」的字根式為「日∞(土％寸)」；
「閃」的字根式為「門◎人」；
「噤」的字根式為「口∞((木∞木)％示)」；
「幫」的字根式為「((土％土)∞寸)％(白％巾)」。

部件索引時，部件

「日」可以索引「時」、「袒」、「椿」……
「土」可以索引「時」、「奘」、「摯」……
「寸」可以索引「時」、「村」、「廚」……
「寺」可以索引「時」、「詩」、「待」……

所以「時」字，就可用部件「日」、「土」、「寸」及「寺」來索引。

二、屬性索引。漢字的屬性有筆畫、部首、音標(國語注音、渶字拼音…)、輸入法(倉頡、注音、行列、大易…)等。由於輸入法內建於中文系統內，當缺乏部件、筆畫、部首、音標等資料時，就只能以輸入法來索引。

這種索引方法實應兼容並蓄，互補不足。部件索引雖然較為簡易，卻不利於文字輸入；若能先由部件索引字形，再找出該字形的輸入法，則字的索引及輸入皆可各蒙其利。

筆者於八十四年六月底於微軟中文視窗(以下簡稱中文視窗)3.1上完成部件索引的系統雛型。使用者可以分解字形，定義字根，查閱目前字形、部件及字根的個數，並且可隨時作部件索引。這個系統除了部件索引外，還能處理異體字：如可由「牆」找出「墻」、「廧」；由「床」找出「爿∞木」；由「雞」找出「奚∞鳥」、「又∞鳥」等。若要作更深入的瞭解，可參考[一]。至於屬性索引部分，則尚未完成，往後將和部件索引相結合。

參、五大碼的造字區

五大碼為兩位元組的內碼，共可定義19,872個字碼，其中常用字、次常用字共13,053個字(包括兩組重複字，實際上只有13,051個字)。若要對五大碼作進一步的瞭解，可參考[二]、[三]。以下的討論僅限於使用者造字區。

一、五大碼的使用者造字區如表一，可分成四段，共6217個字。

造字區	內碼範圍	字數	
第一段	FA40-FEFE	785	
第二段	8E40-A0FE	2983	
第三段	8140-8DFE	2041	
第四段	C6A1-C8FE	408	
合計		6217	

表一、五大碼的造字區

第四段408個字在倚天中文系統(以下簡稱倚天)下另有定義，故倚天造字總數為6217 - 408 = 5809，在中文視窗則維持6217字。為了兼顧倚天及中文視窗兩系統的一致性，目前暫不考慮第四段造字區，所以造字總數仍為5809。

二、造字區中，段和段間並非連續編碼。即使同一段內，也未必連續編碼。表二列出第一段的內碼分佈。

範圍	個數	範圍	個數	
FA40-FA7E	63	FAA1-FAFE	94	
FB40-FB7E	63	FBA1-FBFE	94	
FC40-FC7E	63	FCA1-FCFE	94	
FD40-FD7E	63	FDA1-FDFE	94	
FE40-FE7E	63	FEA1-FEFE	94	
合計			785	

表二、五大碼造字區第一段的內碼分佈

以下即為一些造字碼的順序： FA40, FA41, ...... , FA7D, FA7E, FAA1, FAA2, ......FAFD, FAFE, FB40, FB41......。為了編碼的方便，可將所有的造字碼線性化成：1, 2, 3, ...... 5807, 5808, 5809，表三則列出五大碼造字區各段的序號。

造字區	內碼範圍	序號	
第一段	FA40-FEFE	1-785	
第二段	8E40-A0FE	786-3768	
第三段	8140-8DFE	3769-5809	

表三、五大碼造字區各段的序號

至於造字內碼和序號間的轉換方法可參考附錄一。附錄二的表格則列出序號1-99和內碼間的對照。

肆、內碼空間的分配及編碼

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。這部分可參考[四]。

除依頻次考量外，若要採取第二節的部件索引方式，還得預留部分空間存放部件及字根。在交通大學林樹教授的中文電腦基本用字研究一書中，共收錄了9129個字形，本實驗室將此字集分解成561個部件及485個字根，需要造字者分別為528 + 180 = 708個。若採用其他字集採解，如五大碼13051字，部件個數或有增減，字根個數應無多大變異。

另一個該考量的則是特殊符號。於第三節介紹五大碼時，曾提到造字區第四段C6A1-C8FE在倚天系統下另有定義，其中有日文字母，數學符號及字典部首(包括上述18個需要造字的字根)。若要兼顧倚天中文系統及微軟中文視窗使用的一致性，這一段造字區可採取相同的定義。以此看來，特殊符號、字根、部件及外文字母皆可視為符號一併處理。

字根、部件的個數，上述已有參考數字，外文字母的個數更有一定，至於符號數就較難取捨。於佛光山《禪藏》2041個造字中，計有流水號「○◎1」……「○◎69」69個，「（∞一∞）」……「（∞(五％二)∞）」(不連續)等15個，「（∞1∞）」……「（∞28∞）」等28個，八卦符號13個，其他符號21個。所以使用最多的還是流水號。

於造字區第四段中已包含「○◎1」……「○◎10」，「（∞1∞）」……「（∞10∞）」等20個流水號，可將其擴充到100個。還可再加入大正藏中常用的「●◎1」……「●◎100」100個。上述符號總計90 x 2 + 100 = 280 個。

綜合上述，內碼空間的分配可建議如表四：

使用區	類別	使用序號	字數	保留序號	字數	合計	
公用區							
專屬區			500				
	字根與部件		690				
符號區	流水號		280				
	外文字母						
	其他						
合計						5809	

表四、內碼空間的分配(待修訂)

至於公用區的字形可依筆畫排序，各筆畫所佔的內碼空間可依其頻率作分配。表五係參考大學字典[五]所作的頻次統計，總字數為10653。其中頻次係指該筆畫於字典中的字數，序號及字數則指預留的造字空間序號及字數(四捨五入到10的倍數)。

筆畫	頻次	頻率(%)	使用序號	字數		筆畫	頻次	頻率(%) 	使用序號	字數	
1-3	129	1.21				14	801	7.52			
4	141	1.32				15	832	7.81			
5	186	1.75				16	663	6.22			
6	257	2.41				17	571	5.36			
7	425	3.99				18	434	4.07			
8	640	6.01				19	367	3.45			
9	697	6.54				20	270	2.53			
10	832	7.81				21	221	2.07			
11	884	8.30				22	164	1.54			
12	892	8.37				23	125	1.17			
13	910	8.54				>23	212	1.99			

表五、字形筆畫與內碼空間的分配(待修訂)

表五所建議的使用序號實可作較靈活的運用。例如十畫使用的序號若為1000-1500，編碼時可由(1000+1500) /2=1250開始，依次為1250, 1249, 1251, 1248, 1252,……，也就是由中間往上下兩端擴編，如此或可彌補統計上的偏差。

伍、點陣字形與縮放字形

不論是倚天或是中文視窗，皆使用點陣字及縮放字。倚天使用的點陣字為16x15、24x24，而中文視窗則為16x16、20x20、24x24：至於縮放字或採部件組合，或描其外框。

筆者於八十四年八月底於微軟中文視窗3.1上發展一個點陣字轉換程式，可取出倚天或中文視窗24x24點陣造字檔中任一個內碼的字形，再將其存到另一個造字檔中。如此，不但可利用現存的造字檔；新字亦可獨立造字，最後再予合併。此程式將會改進到也能夠轉換20x20及16x16點陣字。

若要兼顧兩個系統上的使用，則需具備上述五個點陣造字檔。造字的程序如下：

1 先在中文視窗造好24x24點陣字。若該字在倚天中已造過，可利用點陣字轉換程式將其轉到中文視窗。
2 利用中文視窗的造字程式(於程式管理員主群組中)，將24x24的點陣字轉換成20x20、16x16。
3 再利用陣字轉換程式將中文視窗上的24x24、16x16點陣字轉換到倚天。(若24x24已存在，則無須轉換)

由24x24點陣字轉換到20x20、16x16時，應再透過人工的修飾以保持點陣字的品質。即使倚天中文24x24點陣字和中文視窗24x24點陣字互轉，兩者雖皆為明體，但是粗細不一，若要顧及和現有字形的一致性，人工修飾亦不可避免。

縮放字的造字遠較點陣字專業，市面上雖也有造字工具，但若要兼顧美觀、多樣化(各種字體)及一致性，還是要借助於造字廠商。

參考文獻

一、 『中文字形資料庫的設計與應用』(謝清俊、莊德明、張翠玲、許婉蓉，1995年4月)
二、『倚天中文系統使用手冊』(倚天資訊股份有限公司，1992年10月二十版)
三、『倚天中文系統技術手冊』(倚天資訊股份有限公司，1991年元月初版)
四、『中央研究院(台北)古籍全文資料庫的發展概要』(謝清俊、林晰，1995年7月)
五、『大學字典』(中國文化大學出版部，1987年二版)
附錄一 五大碼造字內碼和序號間的轉換

五大碼為兩位元組的內碼，前三段的造字區中，高低位元組的範圍如下：

高位元組：FA-FE, 8E-A0, 81-8D		低位元組： 40-7E(63), A1-FE(94)

每一個高位元組可與63 + 94 = 157個低位元組組成157個漢字。假使內碼為iCode，序號為nCode，彼此間的轉換方法如下：

一、由內碼iCode推算其序號nCode

1計算iCode的高位元組iHigh、低位元組iLow。(若iCode=FB40則iHigh=FB16，iLow=4016)
2計算高位元組的排序nHigh
(1) 第一段nHigh = (iHigh - FA16) x 157
(2) 第二段nHigh = (iHigh - 8E16) x 157 + 785
(3) 第三段nHigh = (iHigh - 8116) x 157 + 785 + 2983
3計算低位元組的排序nLow
(1) 4016≦iLow≦7E16時，nLow = (iLow - 4016) + 1
(2) A116≦iLow≦FE16時，nLow= (iLow-A116) + 64
4序號 nCode = nHigh + nLow

二、由序號nCode推算其內碼iCode

1計算區段排序mCode
(1) 第一段1≦nCode ≦785時，mCode = nCode
(2) 第二段786≦nCode ≦3768時，mCode = nCode - 785
(3) 第三段3769≦nCode ≦5809時，mCode = nCode - 785 - 2983
2計算高位元組的排序nHigh = (mCode - 1) DIV 157
3計算低位元組的排序nLow = (mCode - 1) MOD 157
4計算高位元組iHigh
(1) 第一段iHigh = nHigh + FA16
(2) 第二段iHigh = nHigh + 8E16
(3) 第三段iHigh = nHigh + 8116
5計算低位元組iLow
(1) nLow ＜63 時，iLow = nLow + 4016
(2) nLow ≧63 時，iLow = nLow - 63 + A116
6由iHigh及iLow即可推算出iCode
附錄二 五大碼造字內碼和序號(前99個)

起始序號： 00　　　　　　　　　　　　　　　　　　　     民國    年    月    日
 
序號	內碼	字		序號	內碼	字		序號	內碼	字		序號	內碼	字	
00				25	FA58			50	FA71			75	FAAC		
01	FA40			26	FA59			51	FA72			76	FAAD		
02	FA41			27	FA5A			52	FA73			77	FAAE		
03	FA42			28	FA5B			53	FA74			78	FAAF		
04	FA43			29	FA5C			54	FA75			79	FAB0		
05	FA44			30	FA5D			55	FA76			80	FAB1		
06	FA45			31	FA5E			56	FA77			81	FAB2		
07	FA46			32	FA5F			57	FA78			82	FAB3		
08	FA47			33	FA60			58	FA79			83	FAB4		
09	FA48			34	FA61			59	FA7A			84	FAB5		
10	FA49			35	FA62			60	FA7B			85	FAB6		
11	FA4A			36	FA63			61	FA7C			86	FAB7		
12	FA4B			37	FA64			62	FA7D			87	FAB8		
13	FA4C			38	FA65			63	FA7E			88	FAB9		
14	FA4D			39	FA66			64	FAA1			89	FABA		
15	FA4E			40	FA67			65	FAA2			90	FABB		
16	FA4F			41	FA68			66	FAA3			91	FABC		
17	FA50			42	FA69			67	FAA4			92	FABD		
18	FA51			43	FA6A			68	FAA5			93	FABE		
19	FA52			44	FA6B			69	FAA6			94	FABF		
20	FA53			45	FA6C			70	FAA7			95	FAC0		
21	FA54			46	FA6D			71	FAA8			96	FAC1		
22	FA55			47	FA6E			72	FAA9			97	FAC2		
23	FA56			48	FA6F			73	FAAA			98	FAC3		
24	FA57			49	FA70			74	FAAB			99	FAC4