佛寺志專案 特字處理

回《中國佛寺史志》數位典藏工作手冊 Archive of Buddhist Temple Gazetteers（Service manual）

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：

1. 點選另存新檔。
2. 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）是否易於辨識而做應對的標記。

有 unicode 編碼的字

易於辨識

此字易於辨識者（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，徳，録，䟽

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），但有通用字時，則標記 <choice>。

例如：㝎（定），灋（法），銕（鐵）。（見圖二）

標記：

<choice>
  <orig>文本原字(unicode)</orig>
  <reg resp="ddbc.da">通用字</reg>
</choice>

範例：

優曇華發<choice>
<orig>㝎</orig>
<reg resp="ddbc.da">定</reg></choice>中香

（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。

有歧義

若文字本身有歧義，易使讀者對句意產生誤會者（即文字本身雖為一般字，但在此另當別解時），則標記 <choice>。
例如：縣（「懸」的通假字），餉（「晌」的通假字）

標法：

<choice>
  <sic>文本原字</sic>
  <reg resp="ddbc.da">消歧字</reg>
</choice>

範例：

萬靈八部<choice>
<sic>縣</sic>
<reg resp="ddbc.da">懸</reg></choice>望已久

無 unicode 編碼的字

易於辨識

此字易於辨識者（不會產生懷疑的），但有通用字時，則選用其通用字，而不做任何標記。

1. 少一撇、多一點的字：不標記（選擇用通用字）。例：播，余。（見圖一）(註:標記亦不算錯，只要文本一致就可以了。2012/6/1 confirm with Marcus)
2. 刻版慣例，書寫習慣：不標記（選擇用通用字）。例：於，所。（見圖一）
3. 搭配前後文易於辨識者：不標記（選擇用通用字）。例：關。（見圖一）

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，則標記 <reg>。
例如：[叠*毛]＝㲲。（見圖三）

標法：

<reg>通用字</reg>

範例：

青天飛一錫，白<reg>㲲</reg>入孤雲。

不易辨識, 無通用字

此字不易於辨識者（不易讀懂，罕用字），無通用字時，則標記 <g>，並需建立缺字檔。（缺字建檔方法見【附一】）
例如：[悖*力]。（見圖四）

標法：

<g ref="#btg圖檔檔名"/>（圖檔檔名＝志碼3碼＋頁碼4碼＋流水號2碼）例：<g ref="#btg010052801"/>

範例：

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

重複字

<choice><orig><g ref="#bty117000301"/><備註組字式拆法!--[?]--></orig><reg(這裏中間要空1格)resp="ddbc.da">重複的字</reg></choice>

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。

訛字處理

文本中的錯字，包含看似錯誤但仍照實轉錄的字，則加以修訂。

標法：

<choice><sic>文本的字</sic><corr resp="ddbc.da">修訂後的字</corr></choice>

範例：

一切殿宇皆頹<choice><sic>圯</sic><corr resp="ddbc.da">圮</corr></choice>剝落

漏字處理

文本中的缺漏字，或模糊不清的字，或難以讀懂的字，則標「省略」標記 <gap>。

缺漏字

缺漏幾個文字

標法：<gap extent="1" unit="chars" reason="lost"/>

註：unit 屬性是單位，extent 屬性是有幾個單位，本例中 unit="chars"，extent="1" 便表示有１個字。

缺漏一段文字

標法：<gap extent="unknown" unit="chars" reason="lost"/>

補字標記：

文本原無此字，在他處找到該處可填某字的根據。

標法：<supplied reason="lost">闕漏字</supplied><note resp="ddbc.da">參考來源</note>

呈現方式：[ [ 所補的字 ] ][註]

模糊不清的字

標法：<gap extent="2" unit="chars" reason="unclear"/>

難以讀懂的字（例如草書字）

標法：<gap extent="3" unit="chars" reason="illegible"/>

底本本身的刪塗、訂正字

訂正字
  <del>刪塗字</del>
  <add>原著(編)者訂正字</add>

例：（g094p0206）
  <del>行</del>
  <add>存</add>


呈現方式：
<del>行</del>（劃一橫線表示刪去）
{存}（加上大括弧表示原著(編)者訂正字）

若刪除的字辨識不清時，reason用 "cancelled"：

<del><gap extent="2" unit="chars" reason="cancelled"/></del>

缺字建檔

佛寺志缺字庫網頁 http://dev.ddbc.edu.tw/tomcat/exist/rest/db/fosizhi/xq/gaiji_input/gaiji.xq

缺字建置步驟

1. 登入缺字庫網頁，輸入缺字的位置「第幾志、第幾頁、當頁第幾個字」，按「新增一筆」，產生一個缺字id：<glyph xml:id="">。缺字編碼原則：btg（佛寺志）XXX（志碼3碼）XXXX（頁碼4碼）XX（序號2碼），例如：阿育王山志第298頁第4個缺字[口*斗]的id是：btg010029804
2. <glyphName>：選擇是否為unicode編碼字，若為unicode編碼字，則採用Decimal碼。
3. <charProp>：若知其發音，則點選「再增加一個charProp」。
   1. <localName>：若知其發音，則選pronunciation。
   2. <value>：欄內填入此字之漢語拼音。例：媽ma1，嗎ma5，恰qia4（第幾聲用數字表示一聲、二聲、三聲、四聲、輕聲 = 1、2、3、4、5）
4. <mapping type>：有common（通用字）、cbeta（CBETA組字式）、cbetaNo（CB碼）、unicode（unicode Decimal碼）、MoEvariant（教育部異體字編碼）五種型態，依其資料一一增加mapping填入。
5. <note>：若對此字有特殊之考查，可add a note，描述考據的結果。例：韻 [音*貟]，異體字例，部件「口、厶」俗寫多彼此相訛，凡此皆可視為異體。
6. 填寫上述資料後，按「更新資料庫」，即完成一個缺字的建置。

缺字圖檔製作

原則

裁切文本掃瞄檔(.tif)作為字圖。（作法如下）

裁切字圖步驟

利用Gimp軟體處理

1. 開啟Gimp功能表「檔案」.
2. 點選「開啟」.
3. 選擇缺字當頁的掃瞄圖.ex:1B001P077 (檔案路徑Y:\Projects\fosizhi\master-data\images\tif\1Book001\1B001P077)
4. 放大圖片以利裁切:點選「顯示」選擇「縮放1:1(100﹪)」.
5. 點選「工具」選擇「變換工具」中的「剪裁」圖形cut(形狀類似一支筆).
6. 將「剪裁」圖形移至缺字字體,確認位置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.
7. 設定圖片尺寸: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.
8. 點選「檔案」選擇「另存新檔」並提供檔名ex:btg077009601.gif再點選下方「Gif影像檔」按2次「儲存」即完成
9. 缺字圖檔存放位置Y:\Projects\fosizhi\images\figure\gword\
10. 缺字圖檔請通知妙妙上傳到dev.

缺字給 CBETA Maha 製作流程

1. 請 Maha 幫忙製作缺字 無CB碼、無組字式 者
2. 須製作(1)的二點資訊者，於缺字介面note註明maha
3. 小花再以 note 註明的 maha 彙整送給 maha
4. 缺字資訊的 note 寫法可參考缺字介面的(8)<add a note>: 為註記資訊用

缺字圖上傳

FTP informations

• session:fosizhi
• host name:10.10.0.49
• user name:april
• password:m4tjp

上傳位置

從 Y:\Projects\fosizhi\images\gword\
複製到 ftp://dev.ddbc.edu.tw/fosizhi_gwords

上傳週期

從 dev 到informatics 上傳時間為一週

缺字呈現

缺字在佛寺志網頁的呈現順序

1. 組字式
2. 字圖

unicode 編碼字

Unihan 網站 http://www.unicode.org/charts/unihanrsindex.html

CJK漢字編碼範圍

• U+20000- U+2A6DF（中日韓統一表意文字擴展B區）
• 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

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。

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