檢視佛寺志專案特字處理的原始碼

[http://wiki.ddbc.edu.tw/pages/%E5%90%8D%E5%B1%B1%E5%8F%A4%E5%89%8E-%E3%80%8A%E4%B8%AD%E5%9C%8B%E4%BD%9B%E5%AF%BA%E5%8F%B2%E5%BF%97%E3%80%8B%E6%95%B8%E4%BD%8D%E5%85%B8%E8%97%8F 回《中國佛寺史志》數位典藏工作手冊 Archive of Buddhist Temple Gazetteers（Service manual）]

[http://wiki.ddbc.edu.tw/pages/%E3%80%8A%E4%B8%AD%E5%9C%8B%E4%BD%9B%E5%AF%BA%E5%8F%B2%E5%BF%97%E3%80%8B%E6%A8%99%E8%A8%98%E4%BD%9C%E6%A5%AD 回《中國佛寺史志》標記作業]]

佛寺志專案 特字處理

=作業環境=
皆以 NotePad++ 軟體來處理 UTF-8 編碼的txt檔。

一、將現有 txt 檔更改為 UTF-8 編碼的方式：
#點選另存新檔。
#在存檔畫面下方「編碼」那一欄選擇 UTF-8。

二、以 NotePad++ 開啟已更改編碼的 txt 檔案。

=特字處理方式及工具=

● 漢典:http://www.zdic.net/   註:可前或後加「?」（半形）進行搜尋。

● CNS:http://www.cns11643.gov.tw/AIDB/welcome.do

● unicode:http://www.unicode.org/charts/unihanrsindex.html

● CBETA:http://dict.cbeta.org/word/index.php  註:通用字打在以字查字,組字式打在以形查字。

● 教育部異體字網站:http://dict.variants.moe.edu.tw/suo.htm

● 草書備考pdf檔：需費苦功

● 線上書法字典:http://9610.com/zidian/index.asp

● 查大小篆為主，應有別的功能，但當時沒用過http://www.chineseetymology.org/CharacterEtymology.aspx?submitButton1=Etymology&characterInput=%E7%B6%A0

● 版本比較：例如g090《幽溪別志》的文章，有許多也出現在《高明寺志》。（訊息可藉由查網路或學校的文淵閣四庫看引文出處得知）

● 字音:適用於韻文，包含駢賦。賦多半只講平仄。必須注意：《平水韻》用於處理唐詩宋詞韻腳、《廣韻》處理中古音音韻問題、《中原音韻》處理元曲韻腳。《廣韻》與《平水韻》雖皆中古音的韻書，然前者分韻過細，詩詞創作一般而言並不使用《廣韻》。

  (a)賦：一般網路常見的那種談及賦體的網站http://hlhk110.blog.163.com/blog/static/17419557420119194427643/
  (b)賦：極推薦的參考網站，教學及討論極詳盡，其訓練有助標逗http://www.zgcfw.com.cn/forum.php?mod=viewthread&tid=69823&extra=page%3D1
  (c)韻書:(c.1)綜合許多韻書的網站（高級檢索功能遇聲韻問題時還蠻好用）http://ytenx.org/
  (c.2) 平水韻http://home.educities.edu.tw/bise/big5/tools/rhyme/rhyme5.htm
  (c.3)舉例：在押一東韻的詩裡，覺得該韻腳字為空（上平聲一東、上聲一董、去聲一送），但又擔心可能為定（去聲二十五徑），至少可刪除為「定」字的可能性。要較大膽地進行猜測也比較有依據。

=特字處理原則=
特殊字處理的原則，首先是尋查有無unicode編碼字（包含Extention C），
然後再根據文字本身（或搭配前後文）是否易於辨識，而做對應的標記。

==有 unicode 編碼的字==
===易於辨識===
此字易於辨識者（容易讀懂，不會產生懷疑的），則直接採用unicode編碼字，不做任何標記。例如：静（靜），徳（德）。<br>

 範例1：於是皇帝屏左右，静坐良乆[=久]，再焚香祈禱。[http://buddhistinformatics.ddbc.edu.tw/fosizhi/ui.html?book=g010&cpage=0149 g010p0149]<br>

 範例2：蓋仁慈清淨，其功徳不殊。[http://buddhistinformatics.ddbc.edu.tw/fosizhi/ui.html?book=g008&cpage=0032 g008p0032]<br>

如果 unicode 有編碼，但是 unicode 網站上在「Your Browser」欄位有的電腦看得到、有的電腦看不到，而「The Unicode Standard」欄位看不到圖檔，例如 U+2F8BB，超出 Extension-D(U+2B740-U+2B81D) 的範圍，現有軟體支援較少。而且這個字容易辨識可與「捨」通用，只是在「口」之上的一豎稍微凸出來一點，就直接採用通用字「捨」，不必另加標記。(根據 2011.9.27 會議結論)

額外的參考做法：以部首為判斷標準，二字間凡具異體字或通用字關係而部首不同者，無論字體多接近，皆加<choice>。例如：「嘗」（口部）與「甞」（甘部），部首不同，判斷要加記號；「峰」與「峯」部首相同，聲符亦未有差異，僅是改變形符（於此例中兼部首）與聲符相對位置，則考慮不標記。

===不易辨識===
此字不易於辨識者（不易讀懂，罕用字，古字，假借字），但有通用字時，例如：㝎（定），灋（法），銕（鐵）。

標法：
<syntaxhighlight lang="XML">
<choice>
  <orig>底本原字（特異字）</orig>
  <reg resp="ddbc.da">通用字</reg>
</choice>
</syntaxhighlight>

範例：
<syntaxhighlight lang="XML">
優曇華發<choice>
<orig>㝎</orig>
<reg resp="ddbc.da">定</reg></choice>中香  衣裏明珠是宻藏
</syntaxhighlight>

呈現方式：
 網頁呈現：優曇華發㝎[=定]中香  衣裏明珠是宻藏 [http://buddhistinformatics.ddbc.edu.tw/fosizhi/ui.html?book=g008&cpage=0543 g008p0543]

 PDF呈現：（內文）優曇華發㝎1中香  衣裏明珠是宻藏
         （註腳）1 底本「㝎」為「定」的異體字


（通用字的查詢，可借助字書工具，如CBETA漢字資料庫，教育部異體字網站等）

請注意：同一篇文章（同一最小層級標題之下），有同一字重複出現「不易讀懂，罕用字」情況時，為避免同一字被頻繁標記，惟其第一次出現需加標示。但倘使最小層級標題涵括的內文過短，則易因範圍太小，無法達到的效果；為加大範圍，得斟酌改以較高層級的標題判斷一字是否重覆標記。

==無 unicode 編碼的字==

===易於辨識===
此字易於辨識者（不會產生懷疑的），且有通用字，則直接採用其通用字，而不做任何標記。<br>
（註：標記亦不算錯，只要文本一致就可以了。2012/6/1 confirm with Marcus）

 類型1:多一點、少一撇的字。例：余，吾。
 範例1：余生平事佛 [http://buddhistinformatics.ddbc.edu.tw/fosizhi/ui.html?book=g010&cpage=0003 g010p0003]

 類型2:刻版慣例，書寫習慣。例：所，於。
 範例2：與吾靈臺有所發明者而雅尚之 [http://buddhistinformatics.ddbc.edu.tw/fosizhi/ui.html?book=g010&cpage=0003 g010p0003]

 類型3:搭配前後文易於辨識者。例：關。
 範例3：舉家百口入於萬死一生之地 [http://buddhistinformatics.ddbc.edu.tw/fosizhi/ui.html?book=g010&cpage=0005 g010p0005]

===不易辨識, 有通用字===
此字不易於辨識者（不易讀懂，罕用字），但有通用字時，則直接採用其通用字，並以&lt;reg>標記之。例如：[叠*毛]（㲲）。

標法：
 &lt;reg>通用字&lt;/reg>

範例：
 青天飛一錫，白&lt;reg>㲲&lt;/reg>入孤雲。

呈現：
 網頁呈現：青天飛一錫，白㲲入孤雲。[http://buddhistinformatics.ddbc.edu.tw/fosizhi/ui.html?book=g008&cpage=0539 g008p0539]
 PDF呈現：青天飛一錫，白㲲入孤雲。（㲲字下方有一小黑點，但在wiki無法顯示）

===不易辨識, 無通用字===
此字不易於辨識者（不易讀懂，罕用字），且無通用字時，則以&lt;g>標記之，並需建立缺字檔。<br>

標法：
 &lt;g ref="#btg圖檔檔名"/>
 註：圖檔檔名＝志碼3碼＋頁碼4碼＋流水號2碼
 例：&lt;g ref="#btg010052801"/>

範例：
 頓令須彌倒卓，&lt;g ref="#btg086026901"/><!--[悖*力]-->𣿨全枯。

呈現：
 頓令須彌倒卓，□𣿨全枯。[http://buddhistinformatics.ddbc.edu.tw/fosizhi/ui.html?book=g086&cpage=0269 g0860269]

=特字處理新規則=
【目標】製作一便民利眾的實用版本<br/>
【作法】以通用字取代異體字（只在第一次出現時標記）

【理由】
1. 做不完整，有的有字碼（有字），有的無字碼（無字）。
例：𤣥玄、□(少一畫的弦)弦；𠔏共、□(多一畫的洪)洪；
　　□(少一畫的翻)翻；□(多一畫的釋)釋
2. 費時耗工。例：吕呂；宫宮
3. 意義不大。例：青靑；淸清　
4. 造成檢索的漏洞。例：眞真；圗圖；𠀉丘

【優點】
1) 減少造字或字圖
2) 校對省時
3) 便於閱覽
4) 便於檢索

【作法】
1. 以「志」為單位，第一次出現的異體字（難檢字）：
　1）若找得出字，則保留此字，並標出其通用字。
　　舉例：畨[=番]
　　標記：<choice><orig>畨</orig><reg resp="ddbc.da">番</reg></choice>

　2）若找不出字，則以其通用字替代，並加標記<reg></reg>
　　 舉例：弦（缺筆）
　　 標記：<reg>弦</reg>

2.	其後，再遇彼異體字（難檢字）時，逕以其通用字取代之，不加任何標記。
3.	例外：人名，仍是一一保留異體字。例：趙與𥲅[=籌]

=如何統一各志間特字處理方式=
 
由於外包打字公司以及特字處理人員，面對同一字，可能因各種因素導致作業前期和作業後期處理方式不同的情況（例如打字人員因時常遇到特定難字，對該字變得熟悉，於是不標代表需做特字處理記號，而直接輸入該字）。若要使各志以及同一志前後文在特字處理上達到一致性，就必須進行統一各志間特字處理方式的工作，建議全套佛寺志完成後再做這部份作業較有效率。

目前處理方式如下：

一、打開NotePad++，並開啟所有已完成特字處理的文件。 p.s.應注意若以NotePad++開啟g032的txt檔時易出問題，則可改開g032的xml檔。

二、挑選一個檔案，建議從最前面或最後面的檔案開始，較不易遺漏。

三、Ctrl+F 使用「找下一個」搜尋「<choice>」，一次找一筆，原理同上建議從文件的最前面往後或最後面往前找比較不會遺漏。
以g001為例，第一筆<choice>應該會找到「<choice><orig>𠇍</orig>......</choice>」。

四、每找到一筆<choice>，就使用「搜尋所有開啟文件」尋找<orig>　</orig>之間的字。承前例，以「搜尋所有開啟文件」找出各佛寺志有出現「𠇍」字之處。

五、一一判斷上一步驟搜尋所得的每一筆結果，接著以正確的方式處理之。承前例，判斷各佛寺志出現的「𠇍」字是否都妥當處理，若無，則加以處理。

六、確定所有開啟的佛寺志都完成上一步驟後，才算完成一個字在各志間的「統一各志間特字處理方式」之作業。接著應回步驟三，找到下一個字，然後繼續針對得到的字做步驟四到五。再承前例，全部佛寺志出現過的「𠇍」字都妥當處理後，繼續藉「找下一個」搜尋「<choice>」，找出接下來應處理的字是「䟦」，然後針對「䟦」字做步驟四到五。

七、不斷重覆步驟三至步驟五，直到一個志全部標過<choice>的字都經過步驟三到五的處理，就能換下一個志，但仍應將此志維持開啟，以利處理其他佛寺志特字時，搜到此志應處理而未處理的字。承前例，處理g002時，g001應維持開啟。

八、當所有開啟的佛寺志都完成步驟三至六以後，便算是完成「統一各志間特字處理方式」的工作。





=難檢字庫缺字建檔=

1. DDBC難檢字庫 http://dev.ddbc.edu.tw/schar/index.php

2. 缺字建檔由DA組果睿及春玉負責，各專案可於google填寫缺字新增或報修表。<br>
https://docs.google.com/a/ddbc.edu.tw/spreadsheet/ccc?key=0AvNiyYs1TA4idEtlbXEyYTV3OXF4TmJ6OVlJbWdkMHc&usp=drive_web#gid=3

3.新增或報修圖檔請放在雲端硬碟的 temp<br>
https://drive.google.com/a/ddbc.edu.tw/?tab=mo#folders/0B_NiyYs1TA4iNTVtQWVlcTR2ZWM
圖檔檔名:以部件命名，例：土希.gif<br>

4.缺字圖.gif上傳位置
Y:\Projects\2008缺字庫圖檔

=難檢字庫缺字圖檔製作=

==原則==
裁切原文本掃瞄檔(.tif)（作法如下）

==製圖步驟==
利用Gimp軟體處理
#軟體存放路徑：Z:\數位典藏組\Software\Gimp
#開啟Gimp功能表「檔案」.
#點選「開啟」.
#選擇缺字當頁的掃瞄圖.ex:1B001P077 (檔案路徑P:\2008佛寺志\02主資料庫\01底本掃描檔\tif\)
#放大圖片以利裁切：點選「顯示」選擇「縮放1:1(100﹪)」.
#點選「工具」選擇「變換工具」中的「剪裁刀」cut(形狀類似一支筆).
#將「剪裁刀」移至缺字，劃取缺字,然後在選取的字框內點選滑鼠左鍵2次,即出現裁切之缺字圖檔.
#設定圖片尺寸（\image\scale image）：點選「影像」或「圖片」，選擇「縮放影像」「縮放圖片」，設定尺寸：45X47(點一下右邊鐵鍊圖形--目的是解除固定)，水平及垂直解析度：72像素,完成後點選下方「縮放」即完成.
#點選「檔案」選擇「另存新檔save as」並以部件命檔名ex:土希.gif再點選下方「Gif影像檔」按2次「儲存」即完成（檔案命名：是以當字的所有部件命名，去掉中括號和運算符號，例如[土*希]，檔名：土希）
#在google文件「缺字新增或報修表」填寫缺字建檔資料，並將缺字圖上傳至google文件「temp」，以申請Z碼。
#造字組將固定於每週五完成當週的造字，大家自行上google文件中去取得Z碼，標進XML文件中。

=缺字呈現=
缺字在佛寺志網頁的呈現順序
#組字式
#字圖

=unicode 編碼字=

Unihan 網站 http://www.unicode.org/charts/unihanrsindex.html
該網站字無法顯現:點選Code Charts (PDF Version),輸入字碼,download pdf即可知道該字是什麼字。

==CJK漢字編碼範圍==
*U+20000- U+2A6DF（中日韓統一表意文字擴展B區）
http://zh.wikipedia.org/wiki/Unicode-%E4%B8%AD%E6%97%A5%E9%9F%93%E8%B6%8A%E7%B5%B1%E4%B8%80%E8%A1%A8%E6%84%8F%E6%96%87%E5%AD%97%E6%93%B4%E5%B1%95B%E5%8D%80

*U+2A700-U+2B73F（中日韓統一表意文字擴展C區）
*U+2B740- U+2B81F（中日韓統一表意文字擴展D區）
*Decimal：131072以上

（以上皆屬 Extension 的擴展字，可直接貼在文本）

==編輯器== 
若u==編輯器== nicode編碼字在Oxygen編輯器下無法直接貼上時，則先以Notepad++開啟此檔，並於內貼上此字、存檔，然後再轉接以Oxygen繼續作業。

此時經過Notepad++轉化的此缺字，將在 Oxygen 以 □ 的形式呈顯，但此字在網頁上應已可以如實呈現。

如果此字在介面仍無法顯現,請檢查是否已安裝 Undicode 擴充字型
*Y:\Projects\fosizhi\work\tools\字型\ext_b\PMingLiU Update Pack.msi
*Y:\Projects\fosizhi\work\tools\字型\hanazono\hanazono.ttf

==快速尋找unicode的方法== 
國際電腦漢字及異體字知識庫: http://chardb.iis.sinica.edu.tw/
得知unicode 的碼及異體字

至unihan網站選unihan search pages 輸入 unicode碼 ,可得到異體字字形
http://www.unicode.org/charts/unihan.html
例如:秋的異體字2584C

註：秋的unicode碼為79CB,於word按ALT+X 可得到該字碼,
再到此網站找到該字http://www.unicode.org/charts/unihan.html

=有助於增加特字處理效率的工具與方法=

1.輸入法整合器

(1)啟用：使用新注音或新倉頡輸入法時，靠語言列右邊的「工具選單」裡，第一個選項即輸入法整合器。

(2)使用方式：

a.滑鼠點選已開啟之文字檔中，欲輸入文字之處。

b.在輸入法整合器左邊大片空白的面板上，以滑鼠劃出字形。

c.看輸入法整合器右邊的選項裡是否出現欲輸入的字形。但需注意，有時還沒劃完就會出現想要的字。

(3)適用時機：

a.造缺字時：直接寫出如亻、阝等筆畫少的偏旁，能避免為找一個字的偏旁而將時間白白耗在等待unihan頁面好幾次開啟。

b.找查難以判斷筆劃、讀音、部首的字或同分類的字庫太龐大時：例如雘（實為隹部）、匼（據教育部異體字典，讀音為ㄎㄜˋ、ㄜˋ或ㄢˇ）、蕟（艸部unihan字庫太龐大）、垂（各字典筆畫算法不同）等字。滑鼠移至輸入法整合器提供之字形選項上，會出現參考讀音（不一定是正確的），也是值得運用的功能。

c.其它：例如辦公的筆電接大螢幕進行報告，倘無大量書寫之必要時可臨時充當白板。

(4)缺點：

a.同樣的字，筆順不同時，會影響程式判斷，使右側選項出現的字跟著不同。

b.此外，欲輸入之字有時會在未劃完完整字形已出現，劃完反而因程式判斷成別的字形而找不到。

c.字庫頗小，能找到的字有限。

=SVG造字=

*TTF:有圖形,有字碼

*SVG：無大小尺寸，向量圖檔,有圖形,無字碼

*檔名命名規則:依ID順序編4碼,例1174.svg

存放路徑:Y:\Projects\fosizhi\master-data\images\Quezi_svg


==參閱==
http://zh.wikipedia.org/wiki/Inkscape 

==安裝==
http://inkscape.org/

==inkscape造字操作法==
前題 : 為出版紙本書籍,故須要做.SVG圖檔。如不是要出版紙本書籍,只要於內文剪圖即可(.gif)。
一、造字步驟說明
  1.準備需要造字的字形資料。
  2.於unicode網站:http://www.unicode.org/charts/unihanrsindex.html，
    或是於輸入法整合器-手寫辨識，寫入所要造字的字形。選擇適合用於inkscape組裝材料字。
  3.使用inkscape軟體，依照所找到之字形圖檔，用適合組裝的字，於字框中拆解及組裝成新的字。
  4.於openoffice插入新造字，檢視其是否有變形狀況。
  5.將新造字之.svg檔案儲存於 Y:\Projects\2008fosizhi_全掃描與13志出版\02主資料庫\05底本中的圖檔\缺字圖檔\Quezi-svg資料夾內。
二、造字步驟範例
  1.於DDBC難檢字庫 http://dev.ddbc.edu.tw/schar/index.php ，於ID碼欄輸入0029，按Search鍵，出現組字式為[火*崩]的圖檔。
  2.點選電腦螢幕右下角，工具選單\輸入法整合器。於空白處寫入[火崩]，並從右方識別結果欄位選擇[燥][蹦]二字為組裝材料字。
  3.開啟inkscape。
   (1). 新增造字框。於上方選單列點選，檔案\新增\fontforge_glyph，新增一造字框視窗，並將先前的視窗關閉。
   (2). 輸入組裝材料字。
       a.點選左方工具列，建立和編輯文字物件(圖示：A)。
       b.於左上方選擇字族欄位下拉選擇PMingLiU字體。
       c.輸入組裝材料字[蹦]於造字框內。 
       d.點選左方工具列，選取和變形物件(圖示：黑箭頭)。
       e.選取造字框內的[蹦]字，拖拉左上角箭頭使之與造字框左上角相合。右上、右下及左上角以同樣方式處理，至材料字完全符合於造字框大小。
   (3). 拆解材料字並保留提供造字的部分。
       a.於上方選單列點選，路徑\物件轉成路徑\，將[蹦]字轉成路徑。
       b.點選左方工具列，用節點編輯路徑(圖示：節點)。
       c.選擇足的部分之所有節點，將其刪除，保留崩的部分。
       d.圖層（Layer）\Layers 開啟圖層管理表單。將崩所在的圖層鎖住，防止意外變更或移動。
       e.於圖層管理表單點選，建立新圖層(圖示:+)，開啟一新圖層。並將崩所在的圖層調整為不顯示(圖示:閉眼)，以免干擾另一組裝字的作業。
       f.按照(2)至(3)b的步驟，將組裝材料字[燥]輸入及拆解於新圖層中，保留火的部分。
       g.將崩所在的圖層調整為顯示(圖示:睜眼)，檢視所造之新字是否合宜，並做最後修正。
       h.選擇與DDBC難檢字庫中相同的ID碼儲存。在此範例中存為0029.svg。
  4.開啟openoffice(至少OpenOffice.org 3.4.1版或以上)。
   (1). 插入新造字。於上方選單列點選，開啟新檔\文字文件，開啟一新文件。在於上方選單列點選，插入\圖片\取自檔案，選擇檔案0029.svg。
   (2). 檢視新字是否有變形。如有變形狀況，於illustrator打開0029.svg檔案，再存為0029.svg，即可改善。
   (3). 重覆4.(1)的步驟，檢視新字是否已正常顯示。
  5.將0029.svg檔案存於 Y:\Projects\fosizhi\master-data\images\Quezi_svg 資料夾內。
* 組裝材。

==illustrator造字操作法==
 1. 於inkscape 檔案\新增\fontforge_glyph 存成0.svg Y:\Projects\fosizhi\master-data\images\Quezi-svg
 2. 開啟0.svg,按ctrl+-縮小範圍框
 3. 按 T 打字
 4. 按 黑色箭頭V選取工具 將字拉滿框
 5. 物件轉路徑,目的為打散部件,才可更改部件,作法:文字\建立外框
 6. 按 白色箭頭直接選取工具A 選取要處理的部份,del=刪除 
 7. ctrl+y 字黑色部份會不見
 8. 預設字型:新細明體,如遇字型出不來時,則字體設定ext_b
 9. 圖層F7  
 


四、字型為ExtB時：
  方法一、
  1. 於unicode網站找到該字，於inkscape＼選A\複製貼上
  2. 點選該字,字型選PmingLia-ExtB
  方法二、
  1.無法貼上inkscape造字框中時，先於Word中輸入Unicode按alt+X，顯現其ExtB字。
  2.開啟inkscape，並新增造字框。
  3.於上方選單列點選，檔案\文字\字，開啟字編輯表單並於最下方空白欄位貼入顯現於Word中的ExtB字，選擇字族欄位中的PMingLiU-ExtB，接著按右下角添加選項。
  4.ExtB組裝材料字顯現於造字框，其餘步驟皆同。

* 造字要求:保持其組裝材料字的編輯造型，只做拆解及組裝的的動作，以維持新造字的重心與平衡

=參考資源=
*台北版電子佛典集成缺字作法參考 http://taipei.ddbc.edu.tw/jiaxing_rare.php
*別譯雜阿含缺字檔範例參考 http://buddhistinformatics.chibs.edu.tw/BZA/getsource.xql?src=b074T02.0101.0498b25.xml