大规模古籍数字化之汉字编码选择

２００９年１１月情报探索第１１期（总１４５期）我国古籍数字化理论研究综述水孥产龙（成阳师范学院文学与传播学院陕西７１２０００）摘要以２１世纪以来古籍数字化的理论研究为基础，提出古籍数字化理论研究包括古籍数字化的概念、性质、特征等内部基础理论和技术处理层面的外部理论两个方面，并对这两个方面在２１世纪以来的研究成果加以爬梳、总结。

关键词古籍数字化理论研究综述中图分类号：Ｇ２５６．１文献标识码：Ａ文章编号：１００５—８０９５（２００９）１１—００１２－０３１引言我国古籍数字化的实践工作早在上世纪８０年代初就已起步，经过了近３０年的发展，古籍数字化工作取得了可喜的成绩。

但是，这２０多年来，有关古籍数字化的理论研究却远远滞后于实践的发展。

使得古籍数字化研究工作缺乏整体的理论指导与支持，未能形成一定的理论体系。

因此。

为了推动我国古籍数字化研究工作不断走向深入。

有必要对古籍数字化的相关理论研究成果加以爬梳和整理。

“古籍数字化”这一词组，其重心在“古籍”二字．而“数字化”是对“古籍”的技术处理过程。

所以从严格意义上来讲．古籍数字化属于古籍整理的研究范畴，但又涉及图书馆学、文献学、情报学、信息学等多种学科，具有边缘性、综合性、交叉性的学科特点。

史睿先生在《试论中国古籍数字化与人文学术研究》一文中说：“古籍数字化的理论比技术问题更为重要．因为一旦理论发生了偏差。

技术越高明，则解决方案越是难以成功。

”史先生将古籍数字化的理论与技术分开来讲。

但是，笔者以为虽然“数字化”与“古籍”之间存在着内容与形式的关系。

然而两者对构建古籍数字化的理论框架却是同等重要的。

因此，笔者以为对古籍数字化理论的研究应该包括古籍数字化的概念、性质、特征等内部基础理论架构和技术处理层面的外部理论研究两个方面。

２基础理论研究从上世纪８０年代到本世纪初期。

古籍数字化研究多侧重于实践层面（包括古籍数字化的现状、成果以及发展趋势等等）的研究与开发。

而有关古籍数字化的概念、性质、特征等基础理论研究却相对滞后．未能引起学术界的足够重视。

古籍数字化过程中字样的提取与整理——以《集韵》数据库为例雷励【摘要】韵书数字化就是把以字符为内容的记录以结构化形式输入计算机数据库,而字样提取则是指把字样输入计算机而录为编码字符的过程.针对古代韵书收字的整理研究,应该采取较严的标准,尽量采用字形相同的编码字符录入,以保持原书字样,同时韵书字样的认同与辨异,须使用前后统一连贯的标准.【期刊名称】《兴义民族师范学院学报》【年(卷),期】2015(000)001【总页数】5页(P38-42)【关键词】韵书;集韵;字样;数字化【作者】雷励【作者单位】兴义民族师范学院, 贵州兴义 562400【正文语种】中文【中图分类】H087;H124.3利用计算机数据库来研究《集韵》等韵书具有特殊性。

《集韵》作为原始文献与计算机数据库的存在方式有着本质的不同。

前者虽为刻本，但仍以书写的形式存在。

计算机数据库采用结构化信息模型，以格式化编码的形式存在于存储介质之中，而韵书数字化过程便是把以字符为内容的记录以结构化形式输入计算机数据库。

一、数据库字符编码计算机内字符是以编码的形式存在的，用单个、两个或四个字节（Byte）来记录一个字符（Character），所有字符编码的集合就是字符集（Charset）。

根据字符集编码的范围、结构、方式及所含编码字符的多寡可以分为不同的字符集，常见的字符集就有 GB2312、GBK、GB18030、ISO/IEC 10646等。

我们在创建《集韵》数据库时基于Windows 7操作系统和MS Access 2007数据库，使用Unicode编码规范，以ISO/IEC 10646为字符集标准。

ISO/IEC 10646被译为“通用多八位编码字符集”，该通用字符集共定义了17个代码平面（Code Plane）,代码范围由 U+000000～U+10FFFF，每个平面均由65,536（256×256）个码点（Code Point）组成①，每个平面的最后两个编码（OxFFFE、OxFFFF）不用。

汉字的编码方式以及相应的关系汉字的编码方式以及相应的关系在当今信息时代，汉字编码方式是一个备受关注的话题。

汉字作为中文的基本表达形式，其编码方式的选择和规范对于信息技术、文化传承以及国际交流都具有重要的意义。

我们有必要对汉字的编码方式进行全面评估，并根据深度和广度的要求来探讨其相关的问题。

我们来看一下汉字的编码方式。

汉字的编码方式有多种，其中最为常见的是Unicode、GBK、Big5等。

Unicode是一个国际标准，它主要用于整合和统一世界上所有的符号和文字。

而GBK是我国最常用的字符集，它包含了大部分常用汉字和少量的生僻字，是我国计算机领域的标准。

与此相对应的是Big5编码，它是台湾地区所使用的一种传统编码方式。

这些不同的编码方式在一定程度上反映了汉字的传统与现代、国际化与本土化的关系。

进一步来说，汉字的编码方式与其发展历史、文化底蕴以及实际运用之间存在着紧密的关系。

汉字作为中国文字的代表，承载着悠久的历史和深厚的文化内涵。

其编码方式不仅仅是一种技术手段，更是对于汉字所承载的文化价值和民族认同的体现。

我们在选择和规范汉字的编码方式时，需要全面考量文化传承、技术发展和国际交流的多重需求，确保汉字得到妥善的保护和传承。

我们还需要深入思考汉字的编码方式对于教育、出版、文化创意产业等方面的影响和作用。

随着信息化技术的发展，汉字的编码方式不仅仅是影响计算机输入、网页显示等技术领域，更是对于教育教学、文学创作、文化传播等领域产生着深远的影响。

我们需要在汉字的编码方式上进行深入的评估和探讨，更好地发挥其在各个领域中的作用和效果。

在总结和回顾上述内容时，我们可以清晰地看到汉字的编码方式是一个涵盖文化、技术、教育等多个领域的综合话题。

其深度和广度不仅需要我们全面理解其相关知识和背景，更需要我们具备跨学科、跨领域的能力来进行分析和思考。

个人而言，我认为汉字的编码方式是一个值得我们深入研究和关注的话题，它不仅关乎我国的文化传承和软实力的提升，更关乎我们对于技术发展和人文精神的综合理解。