打开边栏关闭边栏

也谈生僻字的信息处理

摘要:汉字生僻字的输入,一直是困扰文史工作者的难题,本文试在前人的研究基础上,提出一些关于汉字信息处理的设想和相关的解决方案。
  关键字:生僻字;字符集;信息处理

  汉字的信息处理经过多年的摸索,冲破了以前汉字不能进入计算机的迷信,取得了可喜的成绩,但离能完全满足实际使用的需要还有很长一段距离。
  我们先回顾一下计算机中的字库,然后讨论生僻字的信息处理方法。

                一、汉字库发展简介

  汉字库通俗地说就是计算机软件系统中的汉字仓库,依据不同的标准,字库中汉字的数量是不同的,以前的主要标准有:
  1、GB 2312 汉字编码字符集
  从1975年开始,我国为了研究汉字的使用频度,进行了大规模的字频统计工作,内容包括工业、农业、军事、科技、政治、经济、文学、艺术、教育、体育、医药卫生、天文地理、自然、化学、文字改革、考古等多方面的出版物,在数以亿计的浩瀚文献资料中,统计出实际使用的不同的汉字数为6335个,而其中有3000多个汉字的累计使用频度达到了99.9%,而另外的3000多个累计频度不到0.1%,说明了常用汉字与次常用汉字的数量不足7000个,这就为国家制定汉字库标准提供了依据。1980年颁布了《信息交换用汉字编码字符集—基本集》的国标交换码,国家标准号为:GB2312-80,选入了6763个汉字,分为两级,一级字库中有3755个,是常用汉字,二级字库中有3008个,是次常用汉字;还选入了682个字符,包含有数字、一般符号、拉丁字母、日本假名、希腊字母、俄文字母、拼音符号、注音字母等。以前我国大陆的各种中文DOS版本、Windows3.1 /3.2版本,装入的字库都是国标一二级字库。遇到“镕、啰、瞭、袆、祎、曌、赟、贇、鱻、驫、犇……”等汉字,既无法输入,又不能打印。
后来国家技术监督局又颁布了一个与之相对应的繁体字集,全称《信息交换用汉字编码字符集辅助集》,标准号为GB/T12345-90。
  2、台湾 BIG5 字库
  BIG-5码是通行于台湾、香港地区的一个繁体字编码方案,俗称“大五码”。地区标准号为:CNS11643,这就是人们讲的BIG5码。
  BIG-5码收录汉字13053个,分为常用字和次常用字两部分,各部分中的汉字按笔划/部首排列。其中常用字5401个,包括台湾教育管理部门颁布的《常用汉字标准字体表》中的全部汉字4808个,台湾中小学教科书常用字587个,异体字6个;次常用字7652个,包括台湾教育管理部门颁布的《次常用汉字标准字体表》的全部汉字6341个,《罕用汉字标准字体表》中使用频率较高的字1311个。
  后来为了协助解决众多使用BIG5码单位于进行公文电子传递时遇到自造字无法转换CNS的问题,实行了“BIG5码字集扩编计划”,1986年7月扩编完成,这就是所谓的“BIG5 码”。
  BIG5 码系以CNS为蓝本,共增编标准字集4760个字符与推荐字集3250个字符;其标准字集即纳编CNS第3字面字集内之4145个,第4个字面字集内之219个字,均为一般文书常用之中文字,总支持文字量达141376个
  3、大字符集字库(又叫GBK字库)
国际标准化组织为了将世界各民族的文字进行统一编码,制定了UCS标准。根据这一标准,中、日、韩三国共同制定了《CJK统一汉字编码字符集》,其国际标准号为:ISO/IEC10646,国家标准号为:GB13000-90,该汉字编码字符集就是通常人们所说的大字符集,它编入了20902个汉字,收集了大陆一二级字库中的简体字,台湾《通用汉字标准交换码》中的繁体字,58个香港特别用字和92个延边地区朝鲜族“吏读”字,甚至涵盖了日文与韩文中的通用汉字,满足了方方面面的需要。Windows95/98/NT/2000中都装入了大字符集汉字库,人们一般称它为GBK(“国家标准扩展”的拼音缩写)字库。
  4、新标准汉字库
  2000年3月,国家信息产业部和质量技术监督局在北京联合发布了《信息技术和信息交换用汉字编码字符集、基本集的扩充》,国家标准号为:GB18030-2000,收录了27000多个汉字,还收录了藏、蒙、维等主要少数民族的文字,以期一举解决邮政、户政、金融、地理信息系统等生僻汉字与主要少数民族语言的输入,该标准于2000年12月31日强制执行。 GB 18030-2000 作为 GBK for Unicode 3.0 的更新而诞生,它带有包含所有Unicode 的扩展,完全向下兼容 GB 2312-1980 和 GBK。

               二、对于汉字库设计的想法

  字集不是越大越好,因为现存于大型字典辞书的字有一部分是历史用字,还有大量的异体字。根据使用的需要和研究的情况,对汉字的信息处理可以分为几个层次
  1、日常生活用字:(可有一个人名、地名辅助集和错字集)
  日常生活用字就是常用字,这个数字可能就在3000字左右,再加上一些次常用字,可能也就在6000字左右,当然,其中哪些是常用字,哪些是次常用字,具体的字可能要随着时代不同而发生变化。日常生活用字要求有规范性,现在进行的“规范汉字表”课题研究可能有助于此字集的确定。
人名和地名用字是一个比较特殊的问题,国家语言文字工作委员会正在进行“人名、地名规范”的研究,如果此研究成果面世,则可能有助于解决现代人的人名、地名用字问题。
此集中最好还应该有一个错字集,在早期识字教育和对外汉语教学中,经常要使用到一些错别字,别字好打,缺笔少划的错字没有办法处理,所以应特置一个错字集,有利于错别字教学的信息化与错别字的集中纠正。
  2、一般古籍整理用字:(应该有一个异体字辅助集)
  古籍用字,数量比现代生活用字多。因为历代沉积下来的异体字、死字比较多。关于这个问题,首先应该进行异体字的整理,异体字整理完成后,正体字就可以确定一个数量。为了保持古籍版本原样,古籍整理工作者和语言文字研究者也要用到异体字,所以附录一个异体字集。
  还有一个问题就是方言字,很多方言字来源于古代的字典辞书、地方韵书和方言词典,少部分来源于民间文艺作品。首先方言字有一个规范的问题,那些有本字又意义比较明确的,应该首先选用本字。如本字不明,可沿用俗字。
  3、古文字用字:(也有一个异体字辅助集)
  关于古文字,一般定义为小篆以前的文字为古文字,其中有很多字还不可识,这种情况,就首先要区分出可识字(与小篆或楷书有对应字)与不可识字,然后进行异体字的整理。并且要能为每个不可识字设计可以调用的编码,以利于检索。
  汉字库的设计,针对不同的用户与使用目的,分级分层次是很必要的。各级之中首先要全,同时要考虑各级之间正体字与异体字、繁体与简体、古文字与今字的正确对应等。
  此外,各种常用图符也可考虑收录到各级字库中,如传世古籍中出现的圈点符号、古文字中的有句读作用的符号。少数民族和外域的汉字型变体字,也可考虑单置一类,以有利于文字的比较研究。

                  三、解决方案

  以下所使用的操作系统,没有特别指出的为Windows98,字处理软件则为Word2000。其它则专门指出。
  (一)利用GBK汉字集解决生僻字的输入方法。
  微软从Windows 95(简体中文版)视窗操作系统起,都采用了GBK字库,该字库收字20902个,基本能满足日常生活用字(生僻人名、地名字除外)。要利用该字库,通常可采用下列几种方法。
  1.改用GBK输入法
  Windows 95版本及以后版本提供了 GBK 内码、GBK 全拼、GBK 双拼、GBK 表形码和 GBK 郑码5种 GBK 输入法。但这些输入法不是安装的默认选项,需要从“控置面板”中打开“输入法”对话框来添加。Windows 98 默认安装全拼输入法则可以选择输入一般汉字和 GBK 汉字(使用该输入法的属性设置)。其它同样需要安装。
  这些 GBK 输入法中只有全拼比较常用,而且,这些输入法所输入的汉字,包括了 GBK 繁体和 GBK 简体,数量非常大,所以造成两方面的不便:一是重码率高,选字非常麻烦;二是繁体简体同时出现,有些字不容易分辨繁简,同时如果不知道字的读音,也很难选择拼音输入法。
  现在已有软件研制商研制出能输入GBK字库的五笔字形输入法,如智能陈桥,对于熟悉五笔输入法者,比较便利。
  2、用Word插入符号的方法
  选“插入”菜单中的“符号”命令,在“字体”下拉列表中选“标准字体”(Word97是“宋体”),在“子集”中选“CJK统一汉字”(Word97是“部首及难检字”)。一般可在列表中找到所需的汉字。虽然该字库大致是按部首和笔画进行编排的,但查找起来还是相当麻烦。以前有万学仁先生编有《通用字符集部首表及区位码(16进制)》[1],有利于查找,如果没有该部首表,还有一种方法可以采用,先输入一个与所要输入的生僻字相同偏旁的汉字,并选中该汉字,然后用鼠标单击“插入”菜单中的“符号”项,此时会弹出“符号”对话框,再用左右方向箭进行逐个查找和挑选,就会很快找到该生僻字的。如果是一个独体字,则可以输入一个笔画相同的的独体字(也不作偏旁)。很快会在其附近找到该字。
  (二)GBK字集以外生僻字的输入
  1、使用Windows自带的“造字程序”
  该程序操作简单,使用方便,既可以用两个字重新拆分组合成一个新字;也可以选一个相近的字加以修改而造一个新字;还可以直接在编辑框中画出您所需要的字,比较便利的是前两种方法,其步骤如下。
  (l)取两个字中有用的部分,重新组合成一个新字。以“腘”字为例(为便于排版,没有选用GBK以外的字作为例字,下同),单击“开始”按钮,选“程序”、“附件”、“造字程序”,出现“造字程序”窗口。在弹出的“选定代码”窗口中确定所造的字的代码位置,比如AAA1后按“确定”按钮(如没有出现,则选“编辑”中的“选定代码”命令),此时在“造字”窗中出现“编辑”工作区。再选“编辑”菜单中的“调用”命令(在Windows2000、XP中则为“复制字符”命令),单击“字体”按钮,选择字体后,在“形状”框中输入参考字“腊”,按“确定”按钮。在“编辑”框中出现“腊”字。再选“窗口”中的“引用”命令(在Windows2000、XP中则为“参照”命令),一样选定字体,输入参考字“掴”,在“造字”窗中出现带有“掴”字的引用框。用“造字”窗左边的圈选工具圈选“编辑”框中的“昔”,按Del键。圈选“引用(参照)”框中的“国”,将它拖到编辑框中合适的位置,然后关闭“引用”框。再选“编辑”菜单中的“保存字符”命令,在对话框中按“确定”按钮。
此时该字已经建立,如文章中需要用到“腘”字只要将输入法切换至区位输入法,键入AAA1,即可出现“腘”字。
  如果要在以后能以平时的输入方法输入该字,那还要补上下一步操作;选“编辑”中的“输入法链接”命令,如为第一次输入,将弹出搜索对话框,在文件名输人框中以英数方式输入你常用的输入法,单击“打开”按钮,弹出是否要创建该文件的询问,单击“是”。如有多种输入方法,则依次键入不同的输入法文件名,完成后弹出输入外码对话框,输入该字的外码(如链接了多种输入法,则有不同输入法的外码)。按“注册”按钮。但要注意输入的外码必须符合该输入法的规定,计算机不承认你自行定义的外码。
  (2)用相近的字修改。以“臿”字为例:前边的步骤与前例相同,只是将参考字改为“插”。用上述的方法删除“插”字的提手旁后圈选“编辑”框中的“臿”,将它向左拖至框的中间,通过调整八个控制点来改变形状大小至满意。以后的操作与上例相同。
  该法的优点是:不管是否知道该字的读音,总能通过拆分组合的方法造出来。并且,当正确输入外码注册后,平时还能以习惯的输入方法输入该字。缺点在于如果需要将使用了该造字文件的文档拷贝到其它计算机中,还需要拷贝造字文件。
  (3)对于某些类似于图形的字,可以选用各种工具画出需要的字形。
  2、用Word组字
  Word2000的“格式”菜单中有“中文版式/双行合一”功能,工具栏上有“字符缩放”按钮,利用它们您可组合一些冷僻字。较之用其他方法要简便得多,操作方法如下:
  (l)对于左右型字体,以“嬿”字为例:输入“女”字后紧接着输入“燕”字;选中“女”字,单击“字符缩放”按钮,选择合适的比例(该字可选50%);选中“燕”字,单击“字符缩放”按钮,选择合适的比例(该字可选80%);同时选中“女”与“燕”,选“格式/字体”命令,单击“字符间距”标签,在“间距”框中选“紧缩”,再单击“确定”按钮即可。
  (2)对于上下型字体(以“斊”字为例):键入“文耳”两字,然后选中它,在“格式”工具栏上的“字号”框内选择合适的字号(通常输入“四号”字时可选“小五”号,输入“五号”字时可选“小六”号。但有时差距可能还要大一些);单击“字符缩放”按钮,选择合适的比例(该字可选200%);选“格式/中文版式/双行合一”命令,按“确定”按钮。
  采用上法输入冷僻字要使字型漂亮,对于左右型字关键在于输入合适的比例;上下型字则在于合适的比例及“大小”框中的数值,当然字号的大小也是十分重要。但此法对于结构复杂如包围型、半包围型、声(形)占一角型等的字则不适用。采用该法组成的字,还可以作为字符串检索。
  3、如果要经常运用到大量生僻字形,则可以选用已有的自造字字库进行插入。
  现在已经有大型的自造字字库出现,如由日本《今昔文字镜》研究所制作的《今昔文字镜》,包括24个TTF格式的矢量字库,共包括九万个汉字。其中收录日本《ISO10646字符集》汉字两万个,《大汉和字典》汉字五万个,其他四万个汉字包括:甲骨文、梵文、大陆、台、港汉字、水文、越南字喃、汉字偏旁和造字部件、日文假名、俄文、拉丁文等各种常用字母和符号。适用于WINDOWS95/98/NT为操作系统的各种文字处理应用软件。还提供了一个简单易用的检索应用软件。
  还有如北师大汉字与中文信息处理研究所研制的《说文小篆输入法》,能够输入所有小篆字形和《说文》所收古文、籀文等字形。
  其它还有一些古籍数字化机构与研究人员也造了各种各样的字库,只需要安装到字体中,就可以显示打印他们所造的字。此种字库,如能有统一的规范与标准就比较好交流使用。并且最好能有一个检索和输入字符的相应软件才可资重复利用。
  4、用字体制作软件制作自己的字库。现在已经有比较好用的字体制作软件,如Font Creator Program,如果能熟练使用,则可以自己量身定做自己的字体,优点在于可以随时补充修改。缺点在于自造字库千差万别,通用性差。

字体下载之家 WWW.HOMEFONT.CN ©2007-2017