基于字形拓扑结构的甲骨文输入编码研究

第22卷　第4期2008年7月

中文信息学报

J OU RNAL OF CH IN ESE IN FORMA TION PROCESSIN G

Vol.22,No.4J ul.,2008

文章编号:100320077(2008)0420123206

基于字形拓扑结构的甲骨文输入编码研究

顾绍通1,2,马小虎1,2,3,杨亦鸣1,2

(1.徐州师范大学语言研究所,江苏徐州221116;2.语言科学与神经认知工程江苏省重点实验室,江苏徐州221116;

3.苏州大学计算机科学与技术学院,江苏苏州215006)

摘　要:分析了甲骨文字形的拓扑结构特征,考虑了甲骨文字形、读音等因素,制作了甲骨文输入法的字形码表和拼音码表,设计了一种简便、有效的甲骨文输入编码方案,开发了甲骨文输入法程序,利用该程序可以通过两种途径来输入甲骨文字形,即拆分取码方法和现代汉字拼音方法,从而解决了从通用甲骨文字库中调出所需字形的问题。

关键词:计算机应用;中文信息处理;拓扑结构;甲骨文;输入;编码中图分类号:TP391 文献标识码:A

Topological Frame B ased Input Method Coding of Jiaguw en

GU Shao 2tong

1,2

,MA Xiao 2hu

1,2,3

,YAN G Y i 2ming

1,2

(1.Institute of Linguistic ,Xuzhou Normal University ,Xuzhou ,Jiangsu 221116,China ;

2.Jiangsu College Key Lab of Linguistic Sciences and Neuro 2cognition Engineering ,Xuzhou ,Jiangsu 221116,China ;

3.School of Computer Science and Technology ,Suzhou University ,Suzhou ,Jiangsu ,215006,China )Abstract :This paper proposes and implements a simple and effective Jaguwen input method.Based on the analysis of the features in topological frame of Jiaguwen and the consideration of the glyph and pronunciation of Jiaguwen ,the coding of glyph and pronunciation is first presented.Accordingly ,the implementation of this input method pro 2vides two ways to input Jiaguwen :(1)G lyph coding input method ;(2)Hanzi Spelling coding input method.K ey w ords :computer application ;Chinese information processing ;topological frame ;Jiaguwen ;input method ;coding

收稿日期:2006212220　定稿日期:2008203210

基金项目:国家社会科学基金重点资助项目(01A YY004);江苏省哲学社会科学基金资助项目(K32019)。

作者简介:顾绍通(1978—

),男,硕士,主要研究方向为中文信息处理;马小虎(1964—),男,博士,教授,主要研究方向为中文信息处理、计算机图形学;杨亦鸣(1957—),男,教授,博导,主要研究方向为神经语言学、理论语言学、汉语史、中文信息处理等。

1　引言

甲骨文信息化处理是古文字信息化处理的一个重要研究领域,在甲骨文信息化处理的过程中,甲骨文字库的建设是一个核心的问题。在实现了将甲骨文字形数字化,建立起通用甲骨文字库[1]后,随之而来的问题是如何把字形从字库中调出来,这就需要对甲骨文字形进行编码。甲骨文字形的输入编码,是为了通过键盘字符把甲骨文字形输入计算机而设计的一种编码,它按照某种规则将每一个甲骨文字

形和一个符号串或一个数字串对应起来,从而把甲

骨文字形输入计算机中。为此,我们在对甲骨文字形特征进行深入分析研究的基础上,设计出了甲骨文字形键盘输入法码表,然后编写输入法程序用来方便地从通用甲骨文字库中调出每一个字形并在显示器上显示出来。

此前的甲骨文输入编码方案分为两类。(1)利用甲骨文字形象形的特征进行编码,称为象形码。1996年李继明[2]提出了甲骨文象形编码方案,该编

码方案利用甲骨文构字部件象形的特点,利用26个拉丁字母以及10个阿拉伯数字对甲骨文字形进行

中文信息学报2008年

编码。1999年,肖明等[3]人运用模糊数学和面向对象Pet ri网方法研究甲骨文的部件形成和码元的确定规则,使用25个拉丁字母和7个阿拉伯数字作为码元,与甲骨文中的500多个部件相对应,实现一字一码的编码方案。2003年、2004年肖明等[4,5]人对甲骨文象形码的编码方法进行了研究,认为甲骨文编码的最佳码长大致接近于3。形码从甲骨文构字部件象形的角度出发对甲骨文进行编码,并没有利用语音方面的属性,存在重码较多的问题。(2)利用甲骨文字形的结构特征进行编码,称为形码。2003年,周晓文[6]利用小篆造字软件拟合甲骨文字形,设计了甲骨文字库,并对其进行了编码,对2600余字形拆码分析而归纳出341个常用基本部件。但是,上述方案所归纳出的构字部件均是针对部分甲骨文字形分析得出,并不全面。

本文对《殷墟甲骨刻辞类纂》[7]收录的甲骨文字形的拓扑结构进行了深入分析,整理出了569个甲骨文部件,将其分别编置在标准键盘的26个键位上。通过拆分取码和现代汉字拼音的方法,使用26个字母就可以输入《殷墟甲骨刻辞类纂》中3673个甲骨文(含异体字合文)。

文章其余部分的组织结构如下:第2节介绍了甲骨文字形的拓扑结构特征;第3节详细叙述了甲骨文输入编码方案;第4节是实验结果示例,并对实验结果进行了分析;第5节对全文进行总结。

2　甲骨文字形的拓扑结构特征

字形是指构成每一个方块汉字的二维平面图形。构成汉字拓扑空间的要素是笔画及其位置关系[8]。笔画是构成汉字字形的最小连笔单位,落笔处为笔画的起点,提笔处为笔画的终点。甲骨文作为汉字的一种早期形态,从本质上来说,是一种平面图形,层次性不强,存在构形复杂,异写字、异构字繁多等特点,比如“犬”在甲骨文中的形态有一百多种。但是,我们仍然能够认知这一百多个不同形态的“犬”字,正是因为甲骨文具备了拓扑结构不变性的特征。

2.1　甲骨文字形的笔画组合特征

甲骨文字形构形复杂,难以区分笔画,构成甲骨文的线条多为直线,线条瘦劲挺直,两端尖锐,转折处,往往以两条直线相接成屈折状。由于甲骨文字形具有上述特点,我们把甲骨文的基本笔画形式大体上分为三大类:点、直、折。在这里笔画是一个抽象的概念,因为在具体的甲骨文字形中笔画因其在字中的位置和笔画间的组合关系不同而呈现出不同的变形。甲骨文字形笔画间的组合关系大致可以分为以下几种形式:

(a)离散组合关系(相离)如

:,,,,等。

(b)连接组合关系(相接)如

:,,,等。

(c)交叉组合关系(相交)如:,,,等。

2.2　甲骨文字形的部件

落笔和提笔及其间轨迹的点位组成笔画,笔画组成部件。部件是由笔画构成的,它是汉字形体结构的基本单元。部件可按其笔画的多少,分成单结构部件(一笔形成)和复结构部件(二笔或多笔形成)。部件中有些仅有形,而无音和义,这是一种纯粹的符号单位,又称非成字部件。而有的部件构成单字,也称为成字部件,它仍保持字的“形、音、义”属性。出于对甲骨文字形进行输入法编码研究的需要,我们在对甲骨文字形的部件特征进行分析之后,确定了569个部件。这些部件一部分是甲骨文中可以独立成字的独体字,

如、、、、等。另一部分是不能独立成字,但是在甲骨文中却很常见的构字部件,如、、等。这些部件都是甲骨文中常用的组字部件,具有很高的组字频率。

2.3　甲骨文字形的结构特征

部件构成汉字时的方式和规则称为汉字结构,也称字形结构。汉字可以看成是部件在平面上的排列,每种排列可视为一种拓扑结构。拓扑结构的形式由组成字的部件数和每个部件在平面上的位置决定,并且和部件的选择和分析方法直接相关。从数以千计的甲骨文字形结构拓扑图形中可以归纳出以下四种基本结构:1)独体结构,

如、、、等;

2)左右结构,如、、、等;3)上下结构,如

、、、等;4)包围结构,如、、、、、等。

甲骨文“”的拓扑结构可以如图1所示

。

图1　甲骨文“”的拓扑结构

421

4期顾绍通等:基于字形拓扑结构的甲骨文输入编码研究

3　甲骨文输入编码方案

理想的编码方案应该具备三个特点:易于使用,重码少,平均码长短。在编码方式上,我们采用以形为主,以音为辅,形音结合的方法,充分利用形、音两方面的属性,提高编码的易用性。

甲骨文作为一种成熟的文字系统,是由一些构字的基本单位按照一定的规律组合成不同的汉字形体,这些构成甲骨文的基本单位称为“码元”。每个码元与键盘上的字母对应起来,这样甲骨文部件与键盘上的字母形成了一种映射关系。在计算机上要输入某个甲骨文字形,首先要找出构成这个字形的码元,根据码元与键盘上的字母的映射关系,在甲骨文输入状态下输入这几个编码,就可以将甲骨文输入到计算机中。对于少数可以见字识义的字形根据现代汉语拼音方案,直接以其现代汉字的读音作为输入码,以提高编码的易用性,这就是本文所提出的甲骨文输入法编码方案的基本思想。3.1　甲骨文部件与键盘分布

我们对《殷墟甲骨刻辞类纂》所收录的甲骨文字形进行了全面的分析,整理出569个甲骨文部件。对于归纳出来的569个部件,将其分别编置在标准键盘的26个键位上。通用甲骨文字库中所有的字形都是由这569个部件组成的。

甲骨文部件可以分为两类,一类是形似拉丁字母的部件,比如“”、

“”等部件形似拉丁字母A,“”形似字母B,“”、“”等部件形似拉丁字母X,“”形似拉丁字母S,“”形似拉丁字母“Z”,把这些部件与这些拉丁字母相联系,放在计算机键盘相应的键位上。另一类是字形不像拉丁字母的部件,对于这类部件,把它们也跟某一拉丁字母相联系,放在计算机键盘相应的键位上,比如把“”、“”、“”、“”等部件与字母K相联系,放在键盘的键位K上

。甲骨

文部件与字母的对应关系见表1

。

表1

　甲骨文部件与字母映射表

字母部 件

A

B

C

D

E

F

G

H

I

521

中文信息学报2008年

续表

字母

部 件

J K L M N O P

Q

R S T U V W

X

Y

Z

3.2　甲骨文拆分取码原则

甲骨文字形可以分为独体结构、左右结构、上下结构和包围结构。甲骨文中的象形字因物具形,描

摹自然界物体,只是单纯的平面图画,一般无法分析结构,成为独体。这些象形字描摹自然界常见的物体,在甲骨文中属常用字,因此将这部分字形映射为单个拉丁字母的编码序列。对于独体字之外的其他

6

21

4期顾绍通等:基于字形拓扑结构的甲骨文输入编码研究

字形,采用拆分输入的方法。拆分时在取码顺序上,按照从左到右,从上到下,从外到内的顺序来对甲骨文字形进行拆分取码。在对字形进行拆分取码的时候,按照从左到右,从上到下、从外到内的顺序对甲骨文字形进行拆分,取第一、二、三、末码作为字形的输入码,对于不足四码的以空格键结束。比如,甲骨文字形“”对应的键位是s 键,那么在键盘上输入s 就可以把“”显示出来。甲骨文字形“”为左右结构,按照从左到右的顺序,可以拆分出“”、“”部件,所对应的键位是s 、i ,它的输入码即为si ,在甲骨文输入法状态下,输入si 就可以把字形“”显示出来。对甲骨文字形“”,采用形码的方法,可以拆分为“”、“”、和“”3个部件,各个部件对应的键位分别是g 、x 、d ,在甲骨文输入法状态下,输入gxd 即可以把“”显示在计算机的屏幕上。甲骨文字形“”,采用形码的方法,可以拆分为“”、“”、“”、“”4个部件,这四个部件所对应的键位是x 、x 、q 、p ,在甲骨文输入法状态下,输入xxqp ,就可以把

“”显示在计算机的屏幕上。

甲骨文字形输入编码可以概括为:第一,根据字形的拓扑结构拆分出部件;第二,根据甲骨文部件与码元的映射关系,得出甲骨文编码的字母序列。可以图示如下:

图2　甲骨文编码示意图

3.3　码表的设计

按照甲骨文输入法编码方案,从形和音的角度,

我们制作了形码表和音码表,从而可以使输入法程

序通过形和音的编码方案输入甲骨文字形。

码表的格式如下: <编码序列><字形序号[字

形序号]>

字母序列表示甲骨文字形的键盘输入码,数字表示通用甲骨文字库中的字形序号

,字母序列和数字之间用T ab

键隔开。图3和图4分别是从形码表和音码表中选取的部分码表示例:在甲骨文码表制作出来以后,输入法程序就可以根据键盘输入码与字库中字形序号的对照表查找与输入码对应的甲骨文字形。

图3　甲骨文字形码表部分示例

图4　甲骨文拼音码表部分示例

4　实验结果及分析

我们在Dell Precision330工作站上,利用Visu 2

al C

++成功地开发出了甲骨文输入法程序,通过

该输入法程序可以把通用甲骨文字库中的任一字形

方便地显示在计算机的屏幕上。图5、图6分别是甲骨文拆分取码输入方法和甲骨文现代汉字拼音输入方法的示例,图7是采用本文的输入法方案显示的与现代汉字对应的甲骨文示例。

图5　甲骨文的形码输入方法示例

7

21

中文信息学报2008

年

图6

　

甲骨文的音码输入方法示例

图7　甲骨文字形示例

在本方案中所使用的编码字符为26个拉丁字

母。我们将含有一、二、三、四个字母的编码序列分别称为一级简码、二级简码、三级简码、四级简码。一、二、三、四级简码数量分别为26、439、918、1089,覆盖的甲骨文字数分别为181、1108、1060、1133,平均码长为2.75,静态重码率为39%。其中,一、二、三级编码字数占甲骨文总字数的64%。与已有的编码方案相比,本方案具有码符集少,平均码长短等特点,如表2所示。

表2　本方案与象形码的比较

方案甲骨文部件

码　符　集

平均码长

象形码500多个25个拉丁字母和7个数字3文中方案

569

26个拉丁字母

2.75

5　结语

古文字信息处理的研究方兴未艾,甲骨文作为

我国最古老的成熟文字系统,它的信息化处理研究

开始受到人们的重视。我们根据甲骨文字形的拓扑

结构特征,设计并实现了甲骨文输入法程序,利用该程序可以通过拆分取码方法和现代汉字拼音方法这两种途径来输入甲骨文字形,较好地解决了从通用甲骨文字库中调出所需字形的问题。实验结果表明,利用我们开发的甲骨文输入法程序,可以很方便地在通用字处理软件比如Word 中输入甲骨文字形,并做各种排版处理。这些研究工作无疑对极其珍贵的文化遗产———甲骨文———进行数字化、展示、有效保护和方便使用,具有重要的现实意义,对甲骨文的信息化处理工作具有很好的促进作用。

致谢:徐州师范大学计算机科学与技术学院酆格斐老师在算法和程序设计方面提供了热情的帮助。在此一并致谢。

参考文献:

[1]　马小虎,黄文帆,顾绍通,杨亦鸣.甲骨文点阵字形转换为

甲骨文轮廓字形的方法[J ].语言科学,2004,3(3):3211.

[2]　李继明.计算机文字信息处理技术新探———甲骨文象

形码设计方案[J ].中文信息学报,1996,10(3):18229.

[3]　肖明,胡金柱,赵慧.面向对象的Petri 网方法及其在甲

骨文编码中的应用[J ].华中师范大学学报(自然科学

版),1999,33(4):4952499.

[4]　肖明,赵慧,甘仲惟.甲骨文象形码编码方法研究[J ].

中文信息学报,2003,17(5):60265.[5]　肖明,赵慧,甘仲惟.甲骨文象形码编码的模糊数学模

型研究[J ],计算机工程与设计,2004,25(3):3582361.

[6]　周晓文.古文字字库的设计与实现[J ].民俗典籍文字

研究,2003,(1):3752380.[7]　姚孝遂,肖丁.殷墟甲骨刻辞类纂[M ].北京:中华书

局,1989.

[8]　刘连元.汉字拓扑结构分析[J ].电子出版,1995,(5):225.

8

21