也谈生僻字的信息处理 　　汉字生僻字的输入，一直是

也谈生僻字的信息处理 　　汉字生僻字的输入，一直是 也谈生僻字的信息处理 摘 要:汉字生僻字的输入，一直是困扰文史工作者的难，本文试在前人的 研究 基础上，提出一些关于汉字信息处理的设想和相关的解决。 关键字:生僻字;字符集;信息处理 汉字的信息处理经过多年的摸索，冲破了以前汉字不能进入 计算 机的迷信，取得了可喜的成绩，但离能完全满足实际使用的需要还有很长一段距离。 我们先回顾一下计算机中的字库，然后讨论生僻字的信息处理 方法 。 一、汉字库 发展 简介 汉字库通俗地说就是计算机软件系统中的汉字仓库，依据不同的，字库中汉字的数量是不同的，以前的主要标准有: 1、GB 2312 汉字编码字符集 从1975年开始，我国为了研究汉字的使用频度，进行了大规模的字频统计工作， 内容 包括 工业 、农业、军事、 科技 、 政治 、 经济 、文学、 艺术 、 教育 、 体育 、医药卫生、天文地理、 自然 、化学、文字改革、考古等多方面的出版物，在数以亿计的浩瀚 文献 资料中，统计出实际使用的不同的汉字数为6335个，而其中有3000多个汉字的累计使用频度达到了99.9%，而另外的3000多个累计频度不到0.1%，说明了常用汉字与次常用汉字的数量不足7000个，这就为国家制定汉字库标准提供了依据。1980年颁布了《信息交换用汉字编码字符集—基本集》的国标交换码，国家标准号为:GB2312-80，选入了6763个汉字，分为两级，一级字库中有3755个，是常用汉字，二级字库中有3008个，是次常用汉字;还选入了682个字符，包含有数字、一般符号、拉丁字母、日本假名、希腊字母、俄文字母、拼音符号、注音字母等。以前我国大陆的各种中文DOS版本、Windows3.1 /3.2版本，装入的字库都是国标一二级字库。遇到“镕、啰、瞭、袆、祎、曌、赟、贇、鱻、驫、犇„„”等汉字，既无法输入，又不能打印。 后来国家技术监督局又颁布了一个与之相对应的繁体字集，全称《信息交换用汉字编码字符集辅助集》，标准号为GB/T12345-90。 2、 台湾 BIG5 字库 BIG-5码是通行于台湾、香港地区的一个繁体字编码方案，俗称“大五码”。地区标准号为:CNS11643，这就是人们讲的BIG5码。 BIG-5码收录汉字13053个，分为常用字和次常用字两部分，各部分中的汉字按笔划/部首排列。其中常用字5401个，包括台湾教育管理部门颁布的《常用汉字标准字体表》中的全部汉字4808个，台湾中小学教科书常用字587个，异体字6个;次常用字7652个，包括台湾教育管理部门颁布的《次常用汉字标准字体表》的全部汉字6341个，《罕用汉字标准字体表》中使用频率较高的字1311个。 后来为了协助解决众多使用BIG5码单位于进行公文 电子 传递时遇到自造字无法转换CNS的 问题 ，实行了“BIG5码字集扩编”，1986年7月扩编完成，这就是所谓的“BIG5+码”。 BIG5+码系以CNS为蓝本，共增编标准字集4760个字符与推荐字集3250个字符;其标准字集即纳编CNS第3字面字集内之4145个，第4个字面字集内之219个字，均为一般文书常用之中文字，总支持文字量达141376个 3、大字符集字库(又叫GBK字库) 国际标准化组织为了将世界各民族的文字进行统一编码，制定了UCS标准。根据这一标准，中、日、韩三国共同制定了《CJK统一汉字编码字符集》，其国际标准号为:ISO/IEC10646， 国家标准号为:GB13000-90，该汉字编码字符集就是通常人们所说的大字符集，它编入了20902个汉字，收集了大陆一二级字库中的简体字，台湾《通用汉字标准交换码》中的繁体字，58个香港特别用字和92个延边地区朝鲜族“吏读”字，甚至涵盖了日文与韩文中的通用汉字，满足了方方面面的需要。Windows95/98/NT/2000中都装入了大字符集汉字库，人们一般称它为GBK(“国家标准扩展”的拼音缩写)字库。 4、新标准汉字库 2000年3月，国家信息产业部和质量技术监督局在北京联合发布了《信息技术和信息交换用汉字编码字符集、基本集的扩充》，国家标准号为:GB18030-2000，收录了27000多个汉字，还收录了藏、蒙、维等主要少数民族的文字，以期一举解决邮政、户政、 金融 、地理信息系统等生僻汉字与主要少数民族语言的输入，该标准于2000年12月31日强制执行。 GB 18030-2000 作为 GBK for Unicode 3.0 的更新而诞生，它带有包含所有Unicode 的扩展，完全向下兼容 GB 2312-1980 和 GBK。 二、对于汉字库设计的想法 字集不是越大越好，因为现存于大型字典辞书的字有一部分是 历史 用字，还有大量的异体字。根据使用的需要和研究的情况，对汉字的信息处理可以分为几个层次 1、日常生活用字:(可有一个人名、地名辅助集和错字集) 日常生活用字就是常用字，这个数字可能就在3000字左右，再加上一些次常用字，可能也就在6000字左右，当然，其中哪些是常用字，哪些是次常用字，具体的字可能要随着 时代 不同而发生变化。日常生活用字要求有规范性，现在进行的“规范汉字表”课题研究可能有助于此字集的确定。 人名和地名用字是一个比较特殊的问题，国家语言文字工作委员会正在进行“人名、地名规范”的研究，如果此研究成果面世，则可能有助于解决 现代 人的人名、地名用字问题。 此集中最好还应该有一个错字集，在早期识字教育和对外汉语教学中，经常要使用到一些错别字，别字好打，缺笔少划的错字没有处理，所以应特置一个错字集，有利于错别字教学的信息化与错别字的集中纠正。 2、一般古籍整理用字:(应该有一个异体字辅助集) 古籍用字，数量比现代生活用字多。因为历代沉积下来的异体字、死字比较多。关于这个问题，首先应该进行异体字的整理，异体字整理完成后，正体字就可以确定一个数量。为了保持古籍版本原样，古籍整理工作者和语言文字研究者也要用到异体字，所以附录一个异体字集。 还有一个问题就是方言字，很多方言字来源于古代的字典辞书、地方韵书和方言词典，少部分来源于民间文艺作品。首先方言字有一个规范的问题，那些有本字又意义比较明确的，应该首先选用本字。如本字不明，可沿用俗字。 3、古文字用字:(也有一个异体字辅助集) 关于古文字，一般定义为小篆以前的文字为古文字，其中有很多字还不可识，这种情况，就首先要区分出可识字(与小篆或楷书有对应字)与不可识字，然后进行异体字的整理。并且要能为每个不可识字设计可以调用的编码，以利于检索。 汉字库的设计，针对不同的用户与使用目的，分级分层次是很必要的。各级之中首先要全，同时要考虑各级之间正体字与异体字、繁体与简体、古文字与今字的正确对应等。 此外，各种常用图符也可考虑收录到各级字库中，如传世古籍中出现的圈点符号、古文字中的有句读作用的符号。少数民族和外域的汉字型变体字，也可考虑单置一类，以有利于文字的比较研究。