中医古籍数字化生僻字的处理.docVIP

中医古籍数字化生僻字的处理 　　摘要：中医古籍数字化生僻字的处理是一项基本而又关键的技术，目前普遍存在缺字的现象，给中医古籍的阅读和研究造成障碍。本文分别从字符集、字库、输入法等方面，分析了集内字缺字产生的原因和解决方案，并探讨了集外字的处理方法。 　　关键词：中医古籍；数字化；生僻字 　　doi: 10.3969/j.issn.2095-5707.2014.03.009 　　Investigation of Digitization of Rare Words Processing in Ancient Traditional Chinese Medicine Literature 　　Gao Jingjing 　　(Institute of Traditional Chinese Medicine of Zhejiang Province, Hangzhou Zhejiang 310007, China) 　　Abstract: Digitization of rare words processing in Ancient Traditional Chinese Medicine(TCM) literature is a basic and key technology. The prevailing phenomenon of missing words creates obstacles to reading and research of ancient TCM literature. The article analyzed the cause of missing words, offered solutions, and discussed processing methods of missing words out of the character set from the aspects of character set, font, and input methods. 　　Key words: ancient TCM literature; digitization; rare words 　　 　　中医古籍承载着祖国医学数千年文明的绵延，是中医学传承、发展、创新的源头活水。中医古籍数字化，可以通过全文录入与网络共享，解决中医古籍作为一种不可再生资源而存在的借阅困难、容易损伤的问题，对比传统的手工检索，又极大地提升了查询的效率，使中医古籍得到了更广泛和更有效的利用，近年来颇受重视，发展迅速。在数字化进程中，对生僻字的处理直接影响到古籍阅读的质量和检索的效果，目前存在的问题主要是缺字现象。对于传统的纸质版发行与单机版的数字化，缺字可以通过自己造字或图片替代的方案解决。但是对于全文网络版数字化，使用自造字会在通用性上受到限制，而图片替代则导致检索困难，其解决方案需要进一步的研究与探讨。 　　1字符集与编码 　　字符集是各种文字和符号的集合，如包含英文字母的ASCⅡ字符集、包含简体中文的GB2312字符集、包含繁体中文的BIG5字符集等。计算机要准确地处理各种字符集文字，需要对字符进行编码，以识别和存储各种文字。随着中文信息处理技术需求的不断发展，国家标准总局发布了一系列的“信息交换用汉字编码字符集”。但由于各国文字都有自己的字符集编 　　 　　基金项目：浙江省科技计划项目（2011F10019） 　　作者简介：高晶晶,主治中医师，研究方向：中医古籍数字化整理。E-mail: gaojingjing1012@163.com 　　码，不同编码体系之间码位重叠，相互引起冲突，在Web等多语言环境中就会造成无法使用或出现乱码。 　　Unicode作为国际组织制定的可以容纳世界上所有文字和符号的字符编码方案，也称统一码、万国码，实现了跨语言、跨平台的文本转换及处理。Windows、Linux等主要操作系统及.Net、Java等主流编程语言都提供对Unicode编码的支持。目前，Unicode字符集包含了7万余汉字，并且仍在不断地扩充中[1]。所以从理论上讲，只要在字符集中存在的字符，就可以被显示，而集外字符，则形成缺字现象。但事实上，很多中医古籍数字化系统的集内字亦存在大量缺失，一方面是因为采用相对较小的字符集编码存储汉字，另一方面主要还是由于字库与输入的缺失造成的。 　　2字库与显示 　　字形是字符呈现的形状，按照一定的编码顺序以矢量或点阵等方式存储在字库中，不同的字库表现出不同的字体。以Windows操作系统为例，当计算机需要显示一个字符时，首先识别该字符被存储的数值代码，然后将此代码转换为Unicode编码，再根据此编码到指定的字库中寻找对应的字形，最后将字形显