雷 勵(lì)

（興義民族師范學(xué)院， 貴州 興義 562400）

利用計(jì)算機(jī)數(shù)據(jù)庫來研究《集韻》等韻書具有特殊性?！都崱纷鳛樵嘉墨I(xiàn)與計(jì)算機(jī)數(shù)據(jù)庫的存在方式有著本質(zhì)的不同。前者雖為刻本，但仍以書寫的形式存在。計(jì)算機(jī)數(shù)據(jù)庫采用結(jié)構(gòu)化信息模型，以格式化編碼的形式存在于存儲介質(zhì)之中，而韻書數(shù)字化過程便是把以字符為內(nèi)容的記錄以結(jié)構(gòu)化形式輸入計(jì)算機(jī)數(shù)據(jù)庫。

一、數(shù)據(jù)庫字符編碼

計(jì)算機(jī)內(nèi)字符是以編碼的形式存在的，用單個(gè)、兩個(gè)或四個(gè)字節(jié)（Byte）來記錄一個(gè)字符（Character），所有字符編碼的集合就是字符集（Charset）。根據(jù)字符集編碼的范圍、結(jié)構(gòu)、方式及所含編碼字符的多寡可以分為不同的字符集，常見的字符集就有 GB2312、GBK、GB18030、ISO/IEC 10646等。我們在創(chuàng)建《集韻》數(shù)據(jù)庫時(shí)基于Windows 7操作系統(tǒng)和MS Access 2007數(shù)據(jù)庫，使用Unicode編碼規(guī)范，以ISO/IEC 10646為字符集標(biāo)準(zhǔn)。

ISO/IEC 10646被譯為“通用多八位編碼字符集”，該通用字符集共定義了17個(gè)代碼平面（Code Plane）,代碼范圍由 U+000000～U+10FFFF，每個(gè)平面均由 65,536（256×256）個(gè)碼點(diǎn)（Code Point）組成①，每個(gè)平面的最后兩個(gè)編碼（OxFFFE、OxFFFF）不用。00平面（Plane 00）被定義為基本多文種平面（Basic Multilingual Plane，簡稱BMP），可用UCS-2表示，即使用16位碼元（2個(gè)字節(jié)），如拉丁字母大寫“A”編碼為U+0041。其余16個(gè)平面為輔助平面（Supplementary planes），代碼范圍U+10000～U+10FFFF。

ISO/IEC 10646所定義的16個(gè)輔助平面超出了UCS-2的字符編碼表示范圍，需要使用兩個(gè)16位碼元表示，又稱代理對（Surrogate Pair）。00平面的U+D800～DFFF編碼范圍被用作UTF-16代理編碼段，U+D800～DBFF被用作高位代理（或稱前導(dǎo)代理），U+DC00～U+DFFF被用作低位代理（或稱后位代理），高位、低位代理組合最多能表示400H×400H=1,024×1,024=1,048,576個(gè)碼點(diǎn)，與16個(gè)輔助平面的編碼范圍重合（65,536×16=1,048,576）。

我們再舉例說明Windows NT內(nèi)核系統(tǒng)中的字符編碼。打開Windows 7系統(tǒng)自帶文本編輯工具記事本，在文本編輯框中輸入“”（U+2A00A）字，以Unicode編碼保存，再用純文編輯工具UltraEdit以二進(jìn)制方式打開所保存的文件，可得該文件的十六進(jìn)制代碼為：

FF FE 68 D8 0A DC

FF FE放在文件開頭指示字符編碼順序，表示字符以UTF-16 LE編碼，即為字節(jié)順序標(biāo)記（Byte Order Mark，簡稱 BOM）?？傻谩啊保║+2A00A）字的UTF-16編碼為：

D868 DC0A

高端代理OxD868轉(zhuǎn)為二進(jìn)制為1101 1000 0110 1000；

低端代理OxDC0A轉(zhuǎn)為二進(jìn)制為1101 1100 0000 1010。

取高端代理OxD868二進(jìn)制碼元右十位0001101000，再取低端代理OxDC0A二進(jìn)制碼元右十位0000001010，然后合為二十位二進(jìn)制碼元0001 1010 0000 0000 1010，轉(zhuǎn)為十六進(jìn)制編碼為 Ox1A00A，再加上Ox10000（輔助平面起始碼點(diǎn)），則可得出“”字編碼為U+2A00A。

我們又以同樣的方式，在MS Word、Excel、Access中編輯輸入“”（U+2A00A）字并存為97-2003格式的.doc、.xls、.mdb文件，用 UltraEdit工具以二進(jìn)制方式打開所保存的文件，得字符代碼段為“68 D8 0A DC”，說明文件均以UTF-16編碼存儲。

EF BB BF F0 AA 80 8A

EF BB BF為UTF-8編碼文件前部的BOM。可得“”（U+2A00A）字的UTF-8編碼為：

F0 AA 80 8A

“”字的UTF-8編碼轉(zhuǎn)為二進(jìn)制為：

11110000 10101010 10000000 10001010

眾所周知，計(jì)算機(jī)是通過機(jī)內(nèi)編碼進(jìn)行處理、存儲、交換信息的，但字符編碼本身不具有形態(tài)顯示，這就需要字體文件顯示編碼字符內(nèi)容。目前盛行的字體文件類型是TruetypeFont（TTF），它由Apple和微軟公司共同開發(fā)，是一種矢量字體，利用二次曲線描寫字形輪廓②。TTF由head、cmap、glyf、loca、post等一系列數(shù)據(jù)表構(gòu)成，即對編碼字符的字樣屬性進(jìn)行描述。顯示編碼字符時(shí)，系統(tǒng)函數(shù)會讀取相應(yīng)字體文件，通過字體文件中的cmap數(shù)據(jù)表查找與字符編碼相應(yīng)的像素索引（或稱字形索引），以像素索引為條件檢索并返回相關(guān)字形參數(shù)。之后便再把返回的參數(shù)值存儲到相應(yīng)程序的緩存中去，并通過操作系統(tǒng)Gdi函數(shù)在窗體中繪出文字圖形③。

綜上所述，編碼是字符在計(jì)算機(jī)內(nèi)的唯一身份，對字符進(jìn)行數(shù)據(jù)處理即是針對字符編碼而言的。計(jì)算機(jī)字形是對編碼字符的圖形顯現(xiàn)，而字體是字形的屬性表，是對字形的數(shù)據(jù)描述。在Unicode編碼空間里，碼點(diǎn)不會因未分配字符而空缺，比如，0F平面的OxFAAAA碼點(diǎn)暫無字符分配，但碼點(diǎn)依仍存在。例如，我們可在MS Word中輸入并選定“FAAAA”，按Alt+X鍵，編碼會轉(zhuǎn)換成“□”符號，即表示無字符顯示。但并非所有顯示為“□”的碼點(diǎn)都沒有分配字符，因?yàn)榫幋a字符需要用字體文件顯示。如02平面（SIP）的字，系統(tǒng)中若未安裝能顯示02平面編碼字符的字體，則仍顯示為“□”。如需顯示ISO/IEC 10646編碼字符集外的字符時(shí)，也可先在0F平面（PUA）內(nèi)指配碼點(diǎn)④，并用FontCreator字體軟件修改支持0F平面（PUA）的TTF字體，新增字模和字形索引，并編輯該字形。當(dāng)然，Windows操作系統(tǒng)在顯示02平面（SIP）至0F平面（PUA）的字編碼字符，須在注冊表中關(guān)聯(lián)。

二、字符認(rèn)同的基本原則

在整理漢字字形時(shí)，亟需漢字構(gòu)形學(xué)理論對個(gè)體漢字進(jìn)行分析，特別是應(yīng)該引入字位、字樣、書寫變體、傳承變體以及形位、形素等范疇來對漢字字符間進(jìn)行共時(shí)、歷時(shí)兩個(gè)軸向的系統(tǒng)分析。字符集編碼空間畢竟有限，如果字形凡有差別就分配碼點(diǎn)，則現(xiàn)有的17個(gè)平面編碼空間仍然不夠用，這顯然不符合經(jīng)濟(jì)性原則。當(dāng)然，從古籍排印及漢字字符信息處理的角度來說，如需保存古籍原貌，自當(dāng)體現(xiàn)原書字形的所有差別。

ISO/IEC 10646字符集中各編碼字符有不同的字符來源（Sources of characters），統(tǒng)一的編碼字符規(guī)范是在各國、各地區(qū)文字規(guī)范標(biāo)準(zhǔn)等基礎(chǔ)上制定的。CJK認(rèn)同表意文字（CJK Unified Ideographs）編碼表中沒有指定編碼漢字的代表字形，但列出了中國大陸、臺灣、香港、澳門及日本、韓國、越南、新加坡等地區(qū)各信息交換標(biāo)準(zhǔn)中所規(guī)范的字形，并標(biāo)注了字形的來源參數(shù)⑤。同時(shí)在收錄整理字符時(shí)，為了避免字符重碼，ISO/IEC 10646標(biāo)準(zhǔn)還定義了表意文字認(rèn)同規(guī)則⑥。

根據(jù)該認(rèn)同規(guī)則，應(yīng)被認(rèn)同的漢字字形只指配一個(gè)字符編碼，也即認(rèn)同為同一個(gè)編碼字符。對字形近似的非同源漢字（non-cognate characters）字形則分別編碼，如“士”（U+58EB）和“土”（U+571F），再如“朏”（U+6723）和“胐”（U+81A7）。認(rèn)同規(guī)則還定義了兩個(gè)步聚：對構(gòu)字部件間結(jié)構(gòu)的分析（Analysis of component structure）、對構(gòu)字部件特征的分析（Analysis of component features）。構(gòu)字部件特征的分析又包括構(gòu)件數(shù)量、相對位置、下位構(gòu)件及其結(jié)構(gòu)等方面的比較分析。認(rèn)同規(guī)則還規(guī)定：構(gòu)字部件層面的差異以及構(gòu)件間的結(jié)構(gòu)關(guān)系、位置關(guān)系的差異不作認(rèn)同，如“崖”“、厓”“，峰”“、峯”“，夾”、“夾”等字形之間的差別；對于同源漢字，若僅在筆畫等形素上有細(xì)微差別，則可作認(rèn)同處理，認(rèn)同規(guī)則中還列舉了筆畫出頭、相交、相連、帶鉤等11類實(shí)例，如“”、“”，“”、“”等。

為保持中國大陸、臺灣地區(qū)、韓國、日本等地區(qū)信息標(biāo)準(zhǔn)交換碼的完整性，ISO/IEC 10646表意文字認(rèn)同規(guī)則還列出了對所含字符不作認(rèn)同的4組信息交換標(biāo)準(zhǔn)，并附有舉例說明。例如“，刃（U+5203）、刄（U+5204）（U+2F81E）”在 ISO/IEC 10646字符集中分別占有3個(gè)碼位，“刄、”為“刃”字的字樣變體，若依認(rèn)同規(guī)則，本應(yīng)合并為一個(gè)編碼字符，分別編碼主要因其分屬不同地區(qū)的標(biāo)準(zhǔn)字符集。又GB2312與CNS 11643-92部分字符的字形完全相同，但I(xiàn)SO/IEC 10646在02平面仍給CNS 11643-92的這部分字符分配了碼點(diǎn)，如“ ”字就有U+4039、U+2F949兩個(gè)編碼。這些字符被分別編碼，當(dāng)然不能歸類于字位層面的收錄整理。編碼字符是一個(gè)二維平面的字符序列，每個(gè)編碼字符不一定都等同于字位，線性的編碼序列如何更好地體現(xiàn)字位及字樣層位關(guān)系需待更深入研究。

在古籍?dāng)?shù)字化的過程中，自始至終都存在字樣提取和整理的過程。對整理程度的不同要求，也造成了字符認(rèn)同程度的不同。例如，對異體字的處理便涉及是否應(yīng)改換為現(xiàn)行規(guī)范字形以及劃定異體字改換范圍等方面的問題。尉遲治平也認(rèn)為：“為了正確認(rèn)識和處理數(shù)碼漢字的異體問題,必須引入字位的概念?！盵2]（p.121）尉遲還提出整理古籍時(shí)應(yīng)先從字位的概念出發(fā)，甄選通行字作為代表字。一般來說，對字樣的提取和整理，應(yīng)該根據(jù)古籍處理的目的和學(xué)術(shù)研究的需要，制定相應(yīng)的標(biāo)準(zhǔn)，針對古代韻書收字的整理研究，應(yīng)該采取較嚴(yán)的標(biāo)準(zhǔn)，亦即充分體現(xiàn)字形的差別，尤其是對韻書中字頭的字樣提取和整理。我們提取和整理字樣時(shí)必須堅(jiān)持以下兩條原則：一是字形的差別若是反映了記詞功能的區(qū)別，那么即使是再細(xì)微的差別，也不能將之認(rèn)同為一個(gè)字符；二是在字樣提取和整理的過程中，字符的認(rèn)同或區(qū)分，必須使用統(tǒng)一與連貫的標(biāo)準(zhǔn)，不能出現(xiàn)前后矛盾和不一致的情況。

三、字樣的提取與整理

韻書字樣的提取與整理是創(chuàng)建韻書全文數(shù)據(jù)庫的基礎(chǔ)，所謂字樣提取就是把字樣輸入計(jì)算機(jī)而錄為編碼字符的過程。我們按原書順序提取《集韻》字頭字樣時(shí)，常以形碼（五筆輸入法）檢索編碼字符。例如，平聲東韻的“”字，其五筆形碼為：GJII。通過五筆碼，可檢出“東”（U+6771）字，之后在《集韻》數(shù)據(jù)庫中輸入編碼字符“東”記錄該字頭，并錄入其字符編碼U+6771。

在提取《集韻》字頭字樣時(shí)，我們盡量采用字形完全相同的編碼字符錄入，以保持原書字形。例如，平聲寒韻的“刋”字，《集韻》潭州本、明州本、金州本分別作“”、“”、“”，注“《說文》：剟也”。按：《說文·刀部》小篆形作“”?！洱堼愂昼R·刀部》作“刋”，注“口干反。刋定，除削也”。ISO/IEC 10646字符集內(nèi)相應(yīng)的編碼字符有“刊”（U+520A）和“刋”（U+520B）2字，今“刊”為通行字。我們在提取字樣時(shí)，字頭記錄為“刋”，并在相關(guān)字段中再輸入“刊”，以溝通其與通行字之間的關(guān)系。再如，上聲語韻的“呂”字，《集韻》潭州本、明州本、金州本分別作“”、“”、“”，注“《說文》：脊骨也。昔太岳為禹心呂之臣，封呂侯?；驈娜狻⒙?。一曰：呂，陰律。亦姓”。按：《說文·呂部》小篆作“”，《王三》作“呂”，《切三》、《王二》均作“呂”?！毒沤?jīng)字樣》云“：呂，隸省作呂?！雹逫SO/IEC 10646字符集內(nèi)相應(yīng)的編碼字符有“呂”（U+5415）和“呂”（U+5442）2字。我們在提取字樣時(shí)，字頭記錄為“呂”，并在相關(guān)字段中再輸入“呂”，以溝通它們的關(guān)系。

還有一些字樣，字形構(gòu)件本不混同，分別有不同的來源，但《集韻》所錄已經(jīng)不作區(qū)別。為保持《集韻》原書面貌，我們?nèi)赃x擇與《集韻》字樣相同的編碼字符輸入。例如，平聲文韻收“頒、朌”3字，《集韻》潭州本、明州本、金州本所收“朌”字分別作“”、“”、“”，并注“大首皃。一曰：眾皃?；驈娜?。亦作”。按：《正字通·肉部》“月”字下注“肉字偏旁之文本作肉。石經(jīng)改作，中二畫連左右，與日月之月異。今俗作 以別之”。ISO/IEC 10646字符集內(nèi)相應(yīng)的編碼字符有“朌”（U+670C）“、肦”（U+80A6）2字，我們在提取字樣時(shí)，字頭仍記錄為“朌”（U+670C）。

當(dāng)然，計(jì)算機(jī)編碼字符的字形不盡與《集韻》字頭重合，如在字符集中挑不出字形完全相同的編碼字符，便以ISO/IEC 10646字符集標(biāo)準(zhǔn)中的表意文字認(rèn)同規(guī)則為參照，并在漢字構(gòu)形學(xué)理論的指導(dǎo)下，通過深入分析字符間的字形、字構(gòu)、字用的異同，逐一確認(rèn)字樣與編碼字符的對應(yīng)關(guān)系。若字形間的差別標(biāo)記了記詞功能的不同，則必作區(qū)分。例如“，”字豎筆帶鉤，而編碼字符集中的“東”字豎筆不帶鉤，而該字形差別并不影響記詞功能，根據(jù)認(rèn)同規(guī)則，對此差別可以不作區(qū)分。對于ISO/IEC 10646字符集內(nèi)無相應(yīng)編碼字符的《集韻》字樣，可在0F平面內(nèi)分配碼點(diǎn)，并在相應(yīng)字體中新增字模。例如，《集韻》平聲齊韻收“睽、”2字，注“乖也。古作”。我們在0F平面分配U+F007C碼點(diǎn)給“”字，而字體中所新增的字形作“”。

《集韻》有的字樣在ISO/IEC 10646字符集中僅有記詞功能雖相同而字形稍異的編碼字符與之對應(yīng)，為減少在系統(tǒng)字體中新增字模的工作量，我們一般就以本編碼字符記錄《集韻》字樣，同時(shí)也在相應(yīng)的備注字段中記錄該差別。例如，平聲脂韻收“、葵”2字，注“：《說文》菜也。隸作葵?！卑矗骸墩f文·艸部》小篆作“”?！都崱贰啊蹦恕啊弊值碾`定形體。ISO/IEC 10646字符集內(nèi)字形相近的編碼字符有“”（U+26B99）。而“”、“”字形差別僅在于前者從“艸”、后者從“ ”。“艸”與“ ”的構(gòu)件功能本同，因此我們在提取字樣時(shí)，字頭記錄為“”（U+26B99）。再如，《集韻》平聲支韻收“爲(wèi)、”2字，注“古作”。按：《說文·爪部》“：，古文爲(wèi)。象兩母猴相對形。”《字匯補(bǔ)·臼部》“：，古文爲(wèi)字?！眲t“、”均可視為“”字的隸定形體。ISO/IEC 10646字符集內(nèi)字形相近的編碼字符有“”（U+223FD）“、”（U+2696E）2字，而“”與“”字形貌似更近，因此我們在提取字樣時(shí)，字頭記錄為“”（U+223FD）。

為準(zhǔn)確展現(xiàn)《集韻》字頭字樣，也可按《集韻》原書順序建立數(shù)據(jù)表，同時(shí)截取原書字樣的字圖，并存為位圖文件，而字樣位圖文件可按【碼點(diǎn)+字頭順序】的格式命名。然后再以與字樣對應(yīng)的編碼字符碼點(diǎn)為數(shù)據(jù)表主鍵，建立編符字符與字圖的關(guān)聯(lián)。

四、結(jié)語

字樣的提取在韻書數(shù)字化的過程中處于關(guān)鍵性地位，它直接影響到韻書相關(guān)研究成果的準(zhǔn)確性。計(jì)算機(jī)編碼字符與原書字樣的字形總會有不同之處，誠然我們也可以修改字體數(shù)據(jù)使編碼字符的字形屬性與之契合，但編碼字符與碼點(diǎn)的映射以及編碼字符間所體現(xiàn)的區(qū)別與聯(lián)系總是固定的。字樣提取和整理，也就是對字符進(jìn)行認(rèn)同與辨異。一方面，我們可利用漢字構(gòu)形學(xué)理論，從字位與字樣的角度對原書字樣進(jìn)行提取和整理；另一方面，我們也應(yīng)該盡量地保持韻書原貌。而數(shù)字化過程中所遇與原書不相符之處，應(yīng)詳細(xì)記錄。

注釋：

①Unicode標(biāo)準(zhǔn)指出：用來對抽象文字進(jìn)行編碼的整數(shù)范圍稱為編碼空間；這個(gè)編碼集里的每個(gè)特定編碼叫做碼點(diǎn)；當(dāng)一個(gè)抽象字符被映射或被分配到編碼空間中特定的碼點(diǎn)時(shí)，這個(gè)抽象字符就被稱為編碼字符。參見 《The Unicode Standard,Version 6.2》,Unicode Consortium,第 22頁。

②微軟又和Adobe公司共同開發(fā)了Open-Type字體，以三次曲線來定義字形，相比二次曲線，可以用更少的點(diǎn)來描寫同樣的曲線。

③MS Word嵌入字體保存即是通過讀取字體數(shù)據(jù)，并把數(shù)據(jù)寫入文件，方便其他無相關(guān)字體的計(jì)算機(jī)也能正常顯示所有字符。

④ISO/IEC10646定義0F、10平面保留為專用平面（Private Use Plane）,又簡稱 PUA。

⑤見《ISO/IEC10646:2012 Information technology—Universal Coded Character Set(UCS)》,ISO,第 35-37頁。

⑥認(rèn)同規(guī)則原文見 ISO/IEC 10646 Annex S(Inform ative)Procedure for the Unification and Arrangem ent of CJK Ideographs。香港又稱“漢字統(tǒng)一整合規(guī)則”。

⑦見《隸辨·上聲·語韻》卷三“呂”字注文。

[1]楊小衛(wèi).計(jì)算機(jī)技術(shù)在古代文獻(xiàn)整理和學(xué)術(shù)研究中的應(yīng)用——《集韻》的XML建模和處理[J].信息科技,2010(10).

[2]尉遲治平.電子古籍的異體字處理研究——以電子《廣韻》為例[J].語言研究,2007(3).