你知道嗎？漢字是組出來的（上）

電腦上的漢字處理一直有著嚴重的缺字問題，這 個問題看似與你我無關，卻也讓生活平添不少困擾。幾年前常見的游錫方方土、陶吉吉，大家應該還記憶猶新，可能有人會說不要取這個名字就好啦。那就是說這個 人該死嗎？筆者過去服務過的公司名字裡剛好就有「人弟」這一個字，我可不敢說公司該死呢， 在網路上跟他人介紹我們公司實在很痛苦，因為電腦裡面沒有！這個字還是小件的呢，更不要說許多更艱深的古字了，還有許許多多的地名、人名、古籍上的字都缺 了。

那造字區造字呢？這是難以交換的，怎麼說呢？任何文字要在電腦上面表現出來，除了字形圖以外還要有個字碼，蓋電腦的積體電路其實看不懂文字，所有的文字都必須用數字編碼，電腦才看得懂，所以點好字形，然後賦予一個造字區的字碼，才能在自己電腦顯示出來了，人看得懂字形，電腦只看得懂內碼。但是，交換給別人看時，他的造字區必須跟你的一致：同樣的字形圖得對到一樣的碼，否則會得到錯誤的顯示，也就是說造字區造字難以流通交換的。也有用圖片表示缺字的方式，但除了網頁上面顯示以外，在文書編輯器裡面根本無法使用。

好啦，造字區造字法難以交換，可造字數又受限於編碼法的規劃，那每年改變編碼法以增加字數如何？那這表示電腦的作業系統不但年年得大修改，而且所有用舊編碼打出來的文件、必須要經過轉換才能給用新式編碼的作業系統看懂。幾年前從BIG-5換成unicode，這個大轉換已經夠大工程了，每一年再去改編碼，更不切實際。編碼是作業系統內很基礎的建設，變動都是一髮牽動全身的，對所有用電腦的人、作業系統廠商都是很大的負擔，unicode是在1991年就已經存在的，然而要一直到十年後windows 2000才從收一萬五千漢字的BIG-5轉到有兩萬漢字的unicode2.0，這可見為了缺字累次去翻修作業系統基層的編碼，不但無法立竿見影，耗年費月，而且成本甚巨。

電 腦漢字缺字，這個嚴重的問題，真無好方法可解嗎？奇怪，英文的字數已將近二十五萬字（這是韋式大字典保守估計），怎麼都沒聽說過有缺字問題？書寫的時候怎 麼寫、打字機怎麼打，電腦就是可以照常打出來。那中文呢？為什麼英文字沒有缺字，漢字就是會有缺字呢？很早以前，學界就發現，這個問題，一個字對一個碼， 缺字是永遠處理不完的，正本清源之道，乃研究漢字是如何組成的。


什麼是漢字組成的法則？在探討這個問題之前，我們可以先看看英文字的狀況，英文表意的基本單位是一個「字」，例如說room是房間，此外有多字詞，是由多個字組成的詞，如「living room」是客廳、「personal computer」是個人電腦 ，那一個字又是怎麼組成的呢？我們可以看到room這個字，是由表音的字母排列組合而成，字母總共只有a到z共二十六個字母，任何英文字都是用這最基本的表音字母組合而成，不會突然有個字冒出第27、28個字母，這樣的字母集學術上稱為封閉集合。英文數十萬字，就是用基本的字母組合出來。作到電腦上，只要把字母編碼，無窮無盡過去的、現在的、甚至未來的英文字都可以表現。

看 回中文的情形，比較聰明的讀者大概已經領悟到了，中文為什麼會有缺字？前面說過，人認字形，但電腦認字的內碼。就是因為漢字的編碼是直接對字編碼，現在的 電腦能給中文字多少碼的空間，中文字就只能表現那麼多，碼的空間有限，字卻是無限，從有中文電腦開始到現在，一個字配一碼，永遠也配不完，所以只能對特定人士認定需要的部份字作編碼，大部份過去的字、未來的字就只得放棄。甚而一碼又對一張字圖，漢字的電腦處理，永遠是個高成本的雞肋，設計電腦的公司企業遇到中文問題就要愁眉苦臉，缺字問題不說，字數愈來愈多，字形檔也就越來越膨脹，如今日最新的微軟正黑體光是兩萬多字就要14MB了，中文電腦先天使用上，要使用順利必須比英文電腦有更多的記憶體。同樣的作法來處理英文字，如果不對英文字母編碼，而是對英文字編碼，英文字也是一字一碼的話，比起中文字，缺字問題更會嚴重，電腦裡面英文字的字形檔恐怕比中文字形檔更可觀。字是開放的集合，一個字一個字編碼，一定編不完的，要編碼，一定要找出該文字系統的基本組成元素。

問題來了，英文的基本組成元素是英文字母，那漢字呢？注音符號嗎？所謂注音符號並不是字母，而是用國語（或普通話）唸漢字的音標（漢 字經過所謂的書同文，所以不同的語族採用了同一套書寫系統，注音不是單一的，同個字有北京語的唸法、客家話的唸法、閩南語的唸法，甚至日語的、韓語的、越 南語的），所謂字母，字的母親是也，就是合成文字的基本單位。好啦，那中文字母是什麼？又組成一個中文字的基本法則又是什麼？找到這兩個問題的答案，缺字問題才有解決的曙光。

民國六十到七十年代，當年為科技界蔓延著漢字落後跟不上時代的說法，為了怕漢字無法電腦化，會造成中文文化的危機，所以政府敦促科技界儘快研究解決方案， 當初匆促在缺乏文字學家的參與之下，定出來的，就是一直用到今天的一字一碼，一字一碼是以人為的方式去界定廣大的漢字哪些該收，哪些要放棄，哪些放在常用區，哪些又要放在次常用區，因為是人為判定的方式，當年許多政府部會以及民間組織還各自以不同的法則，做出了一堆各不互通（少數有相容）的編碼，小小一個台灣就有CCCII（最早制定，現為圖書館系統使用）、CNS11643（國標碼）、BIG-5系列（Big5-Eten、Big5-e、Big5+、Big5-2003、CP950）、MS950（微軟制定，大部份與BIG5相容，windows系統預設編碼）、EUC（Extend Unix Code，全國戶政系統使用）、EBCDIC（銀行使用）、財稅碼、電信碼還有今日的萬國碼：unicode等等不同編碼，這是所謂的萬碼奔騰問題，持續至今，只要讀者您的名字或團體名稱很不幸其中有字跟「人弟」這看起來不太難的字一樣，被這些制定機關團體判定成得放棄的罕用字，在e化的今天到銀行開戶、到新學校註冊、取得學生證、到稅捐處報稅、到戶政事務所申請新身份證、新健保卡、考駕照、創業到經濟部申請營利事業登記、申請法人團體等等諸多人生大事，工作人員受理你的案子就是處理比較慢，對方搞不好還在櫃檯後埋怨得額外處理你的缺字哩。

人為的方式指定一字一碼問題非常的嚴重，所以後來就有幾位不同人士試圖找出漢字構成的基本法則。最為人所知的首推中文怪傑朱邦復先生，他所發明的倉頡輸入 法，其實更是倉頡組字法，他經過數十年的時間，剪剪貼貼字典上的字，把字拆開、組合，又拆開、組合，整理出了「倉頡字母」。一開始倉頡只是一種方便的輸入 法，1990年 朱老先生在新作聚珍中文系統中，做出了一個很大的創見，就是組字！何謂組字？就是漢字在字形的描繪上，擺脫了過去一個字對到一個字形圖畫（點陣圖或是向量 圖）的作法，而是複雜的合體字是由更簡單的部件組成，簡單的部件還可以一路拆開，拆到最末不能再拆的末級部件，直到這最基本的元素，才定義基本元素的筆畫 描繪方式。這是很空前的作法，漢字處理上時代的一大進步，倉頡輸入碼也就成為了其系統的內碼。

然而朱邦復的系統有一個問題，就是雖然能很有效率的組合出字，但是，其倉頡碼仍然是個人為的編碼，本來著眼的是為了讓鍵盤好打檢索出要輸入的字，而人為拆取字的「部份」成為「輸入碼」（找到字的檢索路徑），用作內碼（電腦內部對文字的實際編號）就會有以下的問題：yrcru（卜 口金口山）的碼，為什麼是「說」這個字，就不可能是其他的字嗎？萬一真有個新字是「言金口山」該怎麼辦？使得其組字系統需不斷因應新可組的字累積許多例外 判斷。又其所取的部件，許多違逆了文字學的研究，例如說文字學上馬就是不能再拆的字了，但在他的理論下還是可以拆的。倉頡碼終究是人為，不脫一字一碼，又 因朱老的系統自成一格比較封閉，致使不能有效的廣佈於大眾。

在組字的研究上，另外有中研院資訊所的謝清俊教授所主導的。謝教授在30年前領導國字整理小組制定了CCCII中文資訊交換碼，確立了以文字學研究為基礎的方向。其後周何教授基於古代從說文解字到鄭樵的整理研究，分析CCCII第二集22394個字，得出漢字有869個聲母及265個形母、共計1134個基本元素，稱為末級部件或是字根、字母，為任何漢字的共有基本元素（字根，容易跟輸入法的字根搞混，後續不再作此稱），末級部件的分析整理，是歷史上重要的一頁，這表示任何漢字確實是由部件逐層合成的，也表示在漢字的學習上，有更有結構、合理的學習法。

謝教授的缺字解決方案的重點在於構字式，構字式是由有限的構字部件及符號組成，是描述字形結構的式子。英文是一維，由左而右的組字，漢字是以二維的方式由部件組成；部件也是用二維的方式一層一層組，最後用最基礎的末級部件組成；最終的末級部件，才由筆畫畫成。這比起一字一碼是非常大的進步，為數眾多古文缺字迎刃而解，所有古文字的構字式被整理成漢字構形資料庫，在現有電腦環境下中文字不再有數量限制。然而，漢字構形資料庫只是個資料庫，目前只有在MSOffice上作了個展示性的應用，此外構字式有個缺憾，就是一個構字式只能使用一種組字符，例如說有左右組就不能有上下組，這樣無法作巢狀的處理，在作複雜的新字時會有困難。這資料庫是很好的學術研究資源，但還不足以應用在通用用途。（下期待續）

◎ 關於本文

本文由張正一維護，本著作係採用創用 CC 「姓名標示─非商業性 2.5 台灣版」授權條款釋出。初載於：資訊與電腦雜誌 2007 年三月號，若有疑問，請不吝指教： 這個 E-mail 地址已經被防止灌水惡意程式保護，您需要啟用 Java Script 才能觀看

您也許有興趣閱讀以下文章:

• 你知道嗎？漢字是組出來的（下） - 2007-01-22