佛典共用造字集的整理

莊德明中央研究院資訊科學研究所研究助理

摘　　　要

國內的中文電腦軟體大多採用五大碼，然而五大碼並不足以應付佛典用字，所以「缺字」便成為佛典電子化的一大困擾。缺字必須「造字」後，方可呈現；可是五大碼的造字空間不足，使得大家終要面臨往後將會無字可用的窘境。

本文首先說明文字、字形和字體間的差異，並將討論的重點集中在文字和字形。一個字可以有好幾個字形，五大碼除了少數幾個字形，如「藥」、「葯」等同時收錄外，通常只收錄一個字形，這些未收錄的字形於是也就成為缺字。至於字形和字形間的關係，則可透過字碼及形碼來描述。

缺字在還未造字之前，除了將其當作圖形外，是無法在電腦上呈現，為了討論方便，本文特別介紹字根和部件，並以字根式來表達缺字。若由文字與字形的觀點來看，缺字可以分成五類，其中第一、三類是屬於異體缺字，這類缺字若能妥善處理，並作適當的取捨，必能增加共用造字集的使用效益。

在缺字的整理上，我們使用關聯式資料庫來管理缺字，最後再將缺字分類排序後印出，以作進一步的討論，待大家都無異議後，再開始編碼，轉換造字檔，編輯輸入法，並將這些缺字登錄在中文字形資料庫中。

中華民國八十五年六月十三日

中央研究院資訊科學研究所文獻處理實驗室

壹、文字、字形與字體

文字(Chararcter)是表達一種(或一群)概念的名相，一個文字可以有許多不同的字形(Glyph)，而字形區別的關鍵則在於它的組成結構。印刷體的字形有一定的設計規範，遵從同一設計規範製作的一群字屬於同一種字體。字體區別的關鍵在於設計的規範，如大小、粗細、疏密、以及一些特殊裝飾的邊角等等[一]。本文所指的字形、字體和電腦上的字型(如華康中楷體字型)是不相同的。表格一以「藥」、「祕」及「饑」三個字為例說明文字、字形與字體間的關係。

表格 一：文字與字形(五大碼)

表格一中，「藥」字有四個字形「藥」、「葯」、「藥」、「葯」，卻只有兩個內碼C3C4、DFD3，而且也無法由這兩個內碼看出它們是同一個字。若要從內碼來區分文字和字形，可以利用字碼和形碼。例如由字形「藥」、「葯」、「藥」、「葯」中，選用字形「藥」以代表「藥」字，那麼就可以用「藥₁」、「藥₂」、「藥₃」、「藥₄」分別表示字形「藥」、「葯」、「藥」、「葯」；此時，「藥」即為字碼，「藥₁」、「藥₂」、「藥₃」、「藥₄」中的1、2、3、4即為形碼。「饑」字的情形亦然，然而「祕」字就稍有不同。表格一中，「祕」字有三個字形「祕」(「祕₁」)、「秘」(「祕₂」) 、「祕」(「祕₃」)，至於「秘」和「秘」(「祕₂」) 只是字體上的不同。

若要進一步區分字形和字體，也可以在形碼外，再加上體碼。若體碼1表示楷體，2表示細明體，則「秘」和「秘」可進一步表示為「祕_2,1」、「祕_2,2」。採用字碼、形碼及體碼，表格一可改寫成表格二：

表格 二：文字與字形(字碼、形碼與體碼)

貳、字根與部件

漢字由部件(Component)構成，此構成是有規律的，可歸納為簡單的制式規則。在交大字根系統中，將漢字字形以橫連(*)、直連(/)及包含(@)的方式分解，得到496個基本部件，稱為字根 [二]。這群字根和組合的規則(亦即分解的規則)可以組成48713個漢字。

文獻處理實驗室自82年9月起，即著手建立中文字形資料庫，目前已將林樹字集(參考[三])的9122個字形(其中有8529個字，593個參考字形)輸入電腦，並將交大字根系統的496個字根簡化成424個字根。字形分解的過程中，還產生了631個中間字根(以下簡稱部件)。目前分解的字形是以標準楷體為主，以下就用「藥」字為例來說明字形的分解，結果詳見表格三。

表格 三：「藥」字的分解過程

字形分解，若由檢索來考量，每次應以兩個部件為宜，如「藥」分解成「/樂」，而不分解成「//木」，這樣往後就可以用部件「樂」檢索出「藥」字；然而大部分的部件，如「」等，都需要額外造字，為了減少部件造字的數目，就規定字形或部件的分解最多不得超過三個部分，如「」分解成「*白*」。假設目前的字集只有「藥」一個字，那麼表格三裡頭所包含的字、字形、部件及字根如表格四：

表格 四：「藥」字的相關字形、字根與部件

分解林樹字集所得的424個字根中，有245個是五大碼中已經定義的字形，如「一」、「口」、「門」等；另外還有179個需要額外造字，如「」、「」、「」等。至於部件的個數原為631個，然而林樹字集中有33個字，如「」、「」、「」等，也常用作其他字的部件，我們也一併收錄在部件集中，所以目前部件的個數應為664個。這些部件中只有91個是五大碼中已經定義的字，如「隹」、「夌」、「兟」等，另外還有573個需要再造字。這些需要造字的字根和部件，目前可以依照筆畫、起筆或是輸入法來查詢。

參、缺字的表達

表格三字形「藥」的部分分解步驟可用表格五的組合式來表達：

表格 五：字形「藥」的字根或部件的組合式

表格五步驟7的組合式僅包含字根，可稱為字形「藥」的字根式，即「藥=/((*(/日)*)/木)」。任何一個字形，雖然都可用字根式表達，但要由字根式反推出字形就不如部件那麼容易。下文若有用到字形的組合式，將會以部件為主，以便閱讀，並且仍稱為字根式或者直接稱為字形。

在目前的中文系統，電腦上的缺字在還沒有造字之前，是無法呈現的，若要應用電子文件來討論缺字，字根式倒也不失為一個可行的方法。

肆、缺字的分類

缺字在目前的處理上可以分為五類，若以西蓮淨苑344個缺字為分析對象，各類所佔的比率及相關的例子如表格六中所列。

表格 六：缺字的分類

第一類缺字如「咒」字的兩個字形「口*兄」與「咒」，字形「口*兄」為缺字，另一個字形「咒」(A947)則在五大碼中已有定義。第二類缺字如「目*侯」字，在五大碼中並沒有定義。第三類缺字如「任/几」字的兩個字形「任/几」、「馮/几」在五大碼中都沒有定義。第四類缺字如「」、「」、「」等，雖然在五大碼中沒有定義，其字形本身卻是字根或部件。第五類缺字如「拼」(內碼和「拼」同)，「拼」為華康細明體字型，而「拼」為華康楷體字型，兩者在五大碼中都有定義；這一類的缺字出現在其他缺字集的還有「為」(為)、「真」(真)、「飽」(飽)等字形。

這五類缺字中，第二類缺字由於在五大碼中並無其他可用的字形，必須優先造字；第四類缺字的字根和部件本身就是造字，當然不需要再造字；第五類缺字可在電腦中選擇適當的字型呈現即可，也不必再造字。至於第一類及第三類缺字是屬於異體缺字，在西蓮淨苑的缺字集中，合佔百分之七十，這類缺字在處理上的問題最多，要是能夠妥善處理，必能增加共用造字集的使用效益，這也是本文探討的重點。

異體缺字是否要再造字，每個單位不盡相同，如字形「君/羊」，可能某一單位以「群」代替，另一單位仍然造字處理。以往由於大家各別造字，所以才會有處理上的不同，現在既然想要使用同一個造字集，應該採取一致的取捨標準。為了往後討論方便，這些缺字應該再作進一步的分類。異體缺字的形成或由字根、位置、筆勢、古今的不同，或由累增而形成，或是刻錯[四]，相關的例子如表格七。

表格 七：異體缺字的分類

表格七異體缺字的分類，僅供大家參考，至於是否要依照這些類別來決定異體缺字的取捨，還有待大家的討論。

伍、缺字的整理

在漢字方面(不包括符號)，目前收到各單位提供的缺字總數共 2663個，分別是：(按造字數排列)

1. 佛光山1470個(禪藏及佛光大辭典等)。
2. 佛教電腦資訊功德會528個。(大般若經及丁福保佛學大辭典等)
3. 西蓮淨苑344個(律學辭典等)。
4. 摩訶工作室215個。(大正藏第九冊)
5. 妙雲蘭若106個。(妙雲集)

另外中華佛教百科文獻基金會的缺字正在整理中。整理缺字時，應該注意下列問題：

1. 檢索。每個缺字除了編號外，應該加入部首、筆畫、筆順，以方便查閱。筆畫可再分成總筆畫及扣除部首的筆畫，筆順則再分成首筆、次筆及末筆。筆畫除了檢索外，也是編碼的依據。
2. 注音。便於往後編輯輸入法。
3. 異體字。對於異體缺字而言，異體字可用來判斷這個字是否該造，還是用異體字取代即可。
4. 內碼。假使該字已經造過字，透過內碼，不但可以取得該造字的點陣字型，也可以在給定新碼後，當作往後轉碼的依據。
5. 使用。缺字集在合併後，應該保留各單位的用字資訊，以便統計每個單位.用了那些字，某一個字有那幾個單位使用過。
6. 日期。缺字的整理過程中，各單位的缺字將會陸續送來，記錄缺字的登錄日期及修改日期，有助於往後缺字的篩選。

為了缺字整理上的方便，我們採用個人電腦上的關聯式資料庫來管理缺字，並將缺字的屬性記錄在工作表上，表格八以缺字「金*本」及「犮/皿」為例來說明這個工作表中各個欄位的功用。

表格 八：缺字整理表

表格八中的欄位「編號」有兩種，一種是該缺字在原有單位的編號，如「金*本」在佛光山造字集的編號為634；另一種是本次整理時所給的編號，如「金*本」的編號為1，這種編號是依缺字處理的先後來給定。欄位「字」暫時不須記錄，待內碼確定，造完字後，即可自動記錄。欄位「內碼」也有兩種，一種是該缺字在原有單位的內碼，如「金*本」在佛光山造字集的內碼為FA47；另一種是佛典造字集重新編定的內碼，須等內碼確定後才記錄；記錄這兩種內碼，事實上就是在作內碼對照表，以便日後轉碼。欄位「筆順」包括起筆、次筆及末筆，其代碼意為「1(點)」、「2(橫)」、「3(直)」、「4(撇)」、「5(捺)」、「6(曲)」、「7(鉤)」、「8(口)」、「9(挑)」。

欄位「注音」及「異體字」最多可以各記錄四個，然而異體字可能也會是缺字，以致無法直接記錄，在此再分成兩種情形處理：一種為該異體字已出現在本表，那就直接記錄本表的編號即可，如「金*本」的異體字有「缽」及「犮/皿」，「犮/皿」為缺字，並且出現在本表中，是故記錄其編號2即可；假使異體字既是缺字又未出現在本表，則以「X」作記以示區別。至於各單位的編號及內碼，是用來記錄缺字的使用狀況，若是已經使用，則記錄編號；若是已經造過字，則記錄內碼。最後一個欄位「日期」，分為登錄日期和修改日期；第一次登錄時，兩者同為登錄日期，往後若有修改，只須反映修改日期即可。

待這些缺字整理告一個段落，我們會將上述的缺字整理表分類排序後印出，提供給大家參考，直到大家都無異議後，才開始編碼，轉換造字檔，編輯輸入法，並將這些造字登錄在中文字形資料庫[一]。為了使缺字整理的工作能夠進行的更順利，在此懇求各單位利用本文最後一頁的附表提供缺字資料。這個附表有下列幾點需要補充：

1. 筆畫：先記錄總筆畫，再記錄扣除部首的筆畫。
2. 筆順：順序分別為首筆、次筆及末筆。
3. 注音：記錄該字的所有讀音(有幾個寫幾個)
4. 替代字形：該缺字若在原書可用其餘字形(一個或一個以上)取代，請一併提供這些取代字形。這項資料最為重要，因為除了原有單位可根據原書判定是否可以用其他字形取代外，其他人實在很難下定論。如「女*市」的替代字形為「姊」。
5. 標準字：該缺字若有好幾個替代字形，請選取其中一個為標準字以定義字碼。如由字形「金*本」、「犮/皿」中選取「金*本」為標準字。

附表中所需的資料，應該在查字典時就可以一併記錄，若資料不齊全，我們勢必還得花時間去查字典，只怕會再次拖延造字集推出的時間。

陸、結語

自1994年10月起，佛教界即開始呼籲應該共用一個造字集，以免各自造字而造成電子文件流通上的不便。如今一年半已經過去，缺字問題的解決可能也比以往更加急迫。

佛典電子化的過程中，當然儘可能保留原書字形以求真求實，然而受限於五大碼造字空間不足的事實，常又得考量往後可能無字可用的窘境。以往的討論由於缺字統計資料的不足，總是沒有具體的結論，這次我們合併各單位的缺字，並加入缺字的屬性資料，待缺字整理告一段落，大家再來討論這些缺字的取捨問題，以加速佛典共用造字集的推出。

參考文獻

1. 『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)
2. 『漢字綜合索引字典』(劉達人、杜敏文、謝清俊、張仲陶、蔡中川、林樹合編，1979年10月)
3. 『中文電腦基本用字研究』(林樹，1972年3月)
4. 『佛典造字的處理』(黃沛榮口述，1995年12月)