heavenchou - 週六, 2006/03/04 - 01:57
本文轉貼自 中央研究院 計算中心通訊
第 15 卷 13 期 出版日期: 88 年 06 月 21 日
http://www.ascc.sinica.edu.tw/nl/88/1513/03.txt
《人文計算服務》
以CBETA為例 談大量文獻之建立——漢文藏經電子化作業簡說
中華電子佛典協會 杜正民
中華電子佛典協會簡介
￣￣￣￣￣￣￣￣￣￣
「中華電子佛典協會（CBETA）」自1998年2月15日成立以來，此
次的EBTI會議可說是首次對國外團體發表其作業內容與成果，會中
獲得頗多的回饋與迴響。因此，謹藉此文就「中華電子佛典協會」
一年來，製作漢文電子佛典的作業流程、程式開發、缺字處理、看
圖校對、標記訂定及解決困難等項目，就教於專家學者。並且，就
新近發行的成果內容做一簡介，如電子檔的分類、採用SGML檔案的
方法、以及未來展望等相關資訊，與關心佛典電子化的先進分享，
期能因此獲得更多的指正與協助。
首先，簡單說明CBETA的工作目標與宗旨，CBETA是以學術界通行
的《大正新脩大藏經》為底本，初期以完成第1-55冊及第85冊藏經
電子化為標的。因此，CBETA與日本「大藏出版株式會社」，經雙方
進行多次的交流與修改契約書之後，於1998年9月30日正式完成簽約
。契約中，「大藏出版株式會社」除授與CBETA使用《大正新脩大藏
經》的權限外，並同意CBETA發行《大正藏》電子版的網路版與光碟
版等權益（註一）。
依此目標達成的成果，就如CBETA的網頁聲明，是「免費提供電子
佛典資料庫，以供各界作非營利性使用」，則為CBETA的主要宗旨。
有關CBETA的作業流程簡述如下：
CBETA的工作小組分為「輸入組」、「校對組」、「缺字組」、「
資訊組」、「網路組」及「研發組」等。依小組功能，CBETA的作業
程序則為：由「輸入組」準備先行工作及提供所需的素材，交由「
校對組」進行資料比對等作業，「缺字組」發展缺字表達方式，「
資訊組」提供必須的運作程式，「研發組」提供作業方針，最後則
由「網路組」將成果與相關資料呈現於網頁上。有關CBETA的工作流
程，試以圖一之流程圖表示之：
CBETA作業流程說明
￣￣￣￣￣￣￣￣￣
今依上述流程圖，簡說CBETA的作業情形，藉以瞭解漢文佛典的製
作狀況。茲將CBETA作業進行的方法與步驟簡述如下：
資料輸入
￣￣￣￣
「輸入組」的工作，主要是以掃描及辨識的方式進行，如有必要
則負責打字輸入或尋找其他資源，為不浪費資源，CBETA盡量不用人
工鍵入的方式進行輸入工作，如能取得合作單位的認可，則可代為
校對，並將所得結果做成校勘表送回原單位，以利雙方作業順利進
行（註二）。
在工作過程中，由於丹青系統的「力新國際公司」研發部幾個月
來的協助，終於研發出「丹青for CBETA版」的丹青OCR辨識軟體；
此軟體純為CBETA的輸入作業而設計，旨在提昇漢文佛典的辨識效率
，以加強工作速率，及解決《大正藏》特有的雙行小註的辨識等問
題。
由於「力新國際公司」的鼎力支持，替CBETA的輸入工作解決很多
困難，因而可以在第一年年底前完成《大正藏》55冊所有掃描工作
、轉換辨識文字、提供比對圖檔等業務。
缺字處理
￣￣￣￣
CBETA為解決缺字的問題，因而成立「缺字組」以求突破電腦缺字
的困難。CBETA缺字的工作可分為幾個步驟：初步工作，以著重於現
有缺字的「形、音、義」及「通用字」的資料查詢及整理等工作。
呈現方面則又可分為「普及版」與「學術版」兩方面，本段先就「
普及版」簡介之，CBETA為考量讓使用者能在純文字環境下閱讀，不
需另外安裝造字檔或是圖檔，因而採用系統字（Big-5）的組字方式
，亦即「一般組字式」（註三），作為「普及版」佛典缺字的表達
方法。這種方式除了可以提供閱覽、散播上的便利性外，也不會佔
用使用者對造字檔自行運用的空間等特性。此外，CBETA「普及版」
中大部份的缺字是以通用字來取代，少部份沒有適當通用字的缺字
亦附有圖檔，以補「組字式」之不足。
當然，不同的缺字表達方法各有其利弊，因此CBETA建立一缺字資
料庫，來達成不同缺字格式的轉換，因此在光碟中HTMLHelp版本的
缺字處理，便同時利用了組字式和圖檔來表示。
同時，在CBETA「學術版」以SGML/XML（Standard Generalized
Markup Language/Extensible Markup Language）表達的主要檔案
（Source File）中，則以「M碼」（註四）處理缺字的表達。CBETA
採用「M碼」表示缺字的原因，一則利於國際化的使用，二則目前「
M碼」已具有八萬多字的缺字資料，是國際間較完整的一個字集，三
者利用「M碼」方便我們建立一個缺字的轉換資料庫。雖然國際間試
圖解決缺字的方法有很多種，其他的缺字表達方式亦曾是我們考慮
使用的，然而目前CBETA主要檔案（Source File）中的缺字表達，
有些缺字圖檔是取自日本「今昔文字鏡」（註五）的字型，原因如
上述：因其乃當今國際上最大的漢字庫；且網路上提供免費字型讓
使用者下載，不增加使用者的額外負擔；而該中心亦根據CBETA缺字
資料庫與其字集比對，如有欠缺，則隨時補充其尚未造的佛典缺字
。且使用者依CBETA建立的缺字資料庫，亦可以自行轉換成其他的缺
字表達方式，甚或轉至將來擬採用的Unicode碼（註六）。
格式整理
￣￣￣￣
因為CBETA擬以SGML/XML（Standard Generalized Markup
Language / Extensible Markup Language）標記語言作業，並期能
結合良好的界面以表達結果。依此目標，CBETA先制定規範，如版本
格式、電腦缺字表達、組字式規範、通用字規範、電子佛典呈現方
式，及大正藏內文格式與校勘輸入格式等重要的課題。
「校對組」依此規範，進行缺字處理、大正藏格式化、檔案比對
、看圖校對等工作，做完基本校對之後，即將檔案交給「研發組」
以進行後續的缺字處理、架構標記、學術研究、發行研發等工作，
並完成SGML/XML作業流程，做成主要檔案（Master file）。
因此，「校對組」的首要工作，就是在經文產生之後，依大正藏
格式加上必要的資料。通常是在每一行之前留上 <冊數> <經號> <
頁碼> <欄> <行> 等資料。因為，這些資料在需要查對原書時，能
夠讓很快的找到出處，且對於後序的作業提供很大的方便。因而針
對此需求，以程式進行格式化的動作。其結果如表一。
檔案比對
￣￣￣￣
漢文佛典電子化的作業流程中，「經文校對」通常是最耗時的一
個環節。然而，經由中研院提供檔案比對的技巧與概念，改良成能
處理相異格式的「佛教經文比對程式」。利用這程式來比對二分以
上的文件，可以很輕鬆的找出文件之間的差異處（請參照表二），
再利用一些工具，就可以迅速的協助工作者利用這個差異表，修改
出一份極低錯率的資料。
根據表三的比對後結果，就可以很快發現可能有問題的差異。只
要利用這個結果，再運用其它相關程式，如下文的「看圖校對程式
」，即可快速的修正差異處，以完成一份高品質的經文檔。
看圖校對
￣￣￣￣
在電腦比對之後，針對結果檔，傳統是以翻書訂正，但在CBETA「
資訊組」的努力下，開展出一個快速的「看圖校對程式」（請參照
圖二），可以一邊看大正藏掃瞄圖檔，一邊做文字訂正。由於它可
以同時開啟一文字視窗及一圖形視窗，並且在文字視窗中快速移動
到比對差異處，然後在圖形視窗中秀出相對應的圖形位置，再由校
對人員選擇或載入正確的資訊，使得作業可以順暢的進行之外，對
正確率與速率的提昇也有很大的助益。
查書校正
￣￣￣￣
查書校正，可分為兩大步驟，一為在看圖校對後，發現問題，即
查閱原典或查對其他不同版本作為校勘之用。二為將所有的電子檔
印成文字檔，交由CBEAT幕後一群默默工作的義工處理。CBETA很榮
幸能邀約到散佈於各國中、國小的教師群幫忙校對，因為職業上的
訓練，他們對於錯字與錯誤的敏感度高於常人。是以，佛典經文經
過嚴密的「電腦校對」後，有這群義工老師的把關，CBETA的電子檔
經文得以以較好的品質及較高的正確率問世。
標記處理
￣￣￣￣
除了精確與嚴謹的校對是CBETA最基本的要求外，如何保持原來版
本的格式也是一重要的考量點，另外為了合乎電子化的特點，並不
只是把書面變成電腦排版就是所謂的電子化，因此要考慮到標記（
Markup）的處理，及採取TEI（Text Encoding Initiative）（註七
）的準則，並且以SGML/XML的方式表現出來等作法。同時也考量人
性化檢索的需求，而開始做結構與層級的索引典之考量。上述所有
成果的呈現格式皆是以SGML作為主要檔案，故特於下段舉例說明
CBETA如何以SGML處理藏經的內涵。
在CBETA處理《大正藏》經文的標記過程中常見的問題，皆一一將
之列入《CBETA工作手冊》中，以便參考。譬如處理藏經時【遇到不
分卷該如何處理】、【遇到一個Note中包含另一個Note的處理方式
】、【遇到卷終的處理】、【遇到別的版本比大正藏多字的處理】
、【遇到Note的內容有跨行的情形】、【Note為該語詞的梵文時之
處理】、【遇到Note為”明註曰x南藏作y”的處理方式】、【遇到
”*”的處理方式】、【遇到別的版本比大正藏少字的處理方式】、
【遇到夾註的處理】、【遇到卷首的處理】、【遇到某個版本缺譯
號的處理】等常遇到的問題與處理，皆詳明的列出SGML的作業方式
，今舉列說明如下（註八）：
電子檔上網
￣￣￣￣￣
CBETA與大眾分享的成果，可分為三大類：
一、將CBETA的作業系統與方法印製成冊與有興趣於佛經電子化的
單位或工作者分享；
二、將CBETA作業過程所研發的程式或工具與有志於佛典電子化的
工作者分享；
三、則為將CBETA藏經電子檔與大眾分享，這些電子檔又可分為網
路版與光碟版兩種呈現方式。
CBETA藏經電子版成果的主要呈現方式以發表於網路上為主，目前
有《大正藏》第五至第八冊之《般若部》、第九冊的《法華部》及
第九冊下半部與第十冊的《華嚴部》，共計三部六冊，並將依工作
進度陸續發表於網上（註九）。目前網路版經文檔（
http://ccbs.ntu.edu.tw/cbeta/result）有「普及版」與「HTML版
」供讀者閱覽。除上述兩版外，並有依句點分段，以便檢索的「App
版」等三個版本，供使用者FTP下載所需的經文資料。
除電子檔經文外，CBETA網頁並提供有[簡介]、[技術]、[規劃]、
[進度]、[成果]、[檢索]、[下載]、[芳鄰]、[其它]及[導覽]等項
目，以提供讀者更多的電子佛典資訊，及隨時查閱新增資料與最新
訊息等網路功能，詳細內容請參閱CBETA網頁（
http://ccbs.ntu.edu.tw/cbeta）。
全文檢索
￣￣￣￣
目前CBETA網路版的檢索引擎，是採用中正大學GAIS團隊所開發的
元件，再以perl程式改寫所需的部份。檢索功能可分為「整部經文
」檢索與「單冊經文」檢索（檢索功能，請參閱圖三）。檢索結果
可以「經號」呈現及「經名」呈現，並可閱覽符合（match）的部份
或閱覽全文（fulltext）等功能。
除了網路版的檢索功能外，在光碟版中，CBETA亦提供三項檢索程
式，以利讀者於單機環境使用。這些程式可從光碟的「使用說明」
選項中，選取工具使用說明，直接選取安裝，或是將光碟上的程式
複製到硬碟執行，這三項工具分別為：
1.CBGrep（Windows下的文字搜尋工具）
2.CTGrep（Dos下的文字搜尋工具）
3.Search and Replace for Windows 95/NT（Shareware）等三
種檢索程式。
此外，於光碟的HTMLHelp版，亦有檢索與索引等功能。使用者可
輸入欲搜尋的名相後按Enter鍵，或是選取列出主題，便會在目錄區
出現該名相出現的位置。點選該經目之後，瀏覽器會出現該經文檔
，並將所搜尋的名相反白（藍底）。另外，讀經器提供了再檢索及
關係（布林）運算元(And/Or/Not/Near) 等的檢索模式。並附有「
僅搜尋標題」提供使用者只對經目的搜尋（內容請參照圖四）。
製作光碟
￣￣￣￣
除了網路版本外，CBETA同時也發行光碟版，以利不方便上網者使
用，1998 CBETA電子佛典系列含有《般若部》、《法華部》、《華
嚴部》，亦即《大正藏》第五冊至第十冊的普及版電子經文，並依
其呈現功能分為Normal版、App版、HTML版及HTMLHelp版四種方式。
此外還有全文檢索工具、丁福保《佛學大辭典》、CBETA網站光碟版
、其他相關工具及線上使用說明文件等（註十）。其中HTMLHelp 瀏
覽器，包含有工具列、內容、索引、搜尋、我的最愛、列印、選項
設定、佛學辭典、彈出式清單、及其他多種項目（請參閱圖五）。
CBETA電子佛典是由同一套 SGML電子主檔所產生，光碟提供下列
版本，以供讀者不同的使用需求，分為一般文字檔的「普及版」；
行末以句點作為結束，以利一般檢索的「App 版」；具有目錄、索
引、全文檢索多功能的「HTMLHelp版」及可以直接使用網路瀏覽器
閱讀的「HTML版」等四種不同的呈現方式。茲再對各版本說明如下
：
1.普及版
普及版為一般文字檔的格式，可利用任何支援中文Big-5碼的文書
處理器或是瀏覽器閱讀編輯。為了達到閱讀以及流傳的方便，普及
版對於電腦中無法處理的缺字，如果可以通用字代替，則以通用字
代替。反之，若無可用的通用字，則以一般組字式來表示，不另設
造字檔或其他的圖檔代碼。
普及版不包含《大正藏》的註釋，對於大正原版錯誤的地方，則
在版本中直接更正，不另作註說明。全文依照《大正藏》的格式橫
向排列，於每行行首註明冊數、經文號碼、頁碼、欄位及行數等訊
息，方便讀者查閱。例如T08n0221_p0001a09則代表《大正藏》第八
冊第221經第一頁第一欄（上欄或a欄）第九行，詳見行首資訊（註
十一）。光碟中並含有「以卷為單位」及「以經為單位」的兩種版
本，提供使用者選擇。
2.App版
App版的內容及格式與普及版相同，唯一的不同是為了方便部份檢
索軟體能正確的檢索，因此每行行尾如果有不成句的字，則會移動
到下一行的行首（亦即以句點作為行末切割處）。搬動的字數會在
下一行的行首資訊後以括號顯示出，譬如T08n0221_p0001a09(02)，
其中的(02)代表由上面的行數搬動兩個字到本行行首。偈頌的部份
因為沒有斷行的問題，故不處理。
3.HTMLHelp版
此版是以微軟公司的HTMLHelp瀏覽器為主（註十二）。本版本與
上述的兩個版本內容相同，但是如遇有更正大正版本錯誤之處，則
會以紅色顯示。本版並以《大正藏》的欄位作為顯示基準，譬如以
《大正藏》0001頁的a欄單獨處理成一頁顯示。並且為了方便閱讀與
檢索，因此每頁的最後二行會重現在下一頁的前面，並以藍色斜體
的方式顯示。對於無通用字的缺字，除了使用一般組字式之外，本
版提供了缺字圖檔，讀者點選組字式便可以看到該缺字圖型。
本版提供了經文目錄、索引、全文檢索、線上佛學辭典，並支援
網路及多媒體等功能，預計在微軟公司發行新版的HTMLHelp格式之
後，可提供使用者透過網路直接更新經文內容的功能。而目前
HTMLHelp版只限於中文Windows使用者。
4.HTML版
HTML版與CBETA的網頁資料相同（http://ccbs.ntu.edu.tw/cbeta
），也與HTMLHelp版的格式相似，但是目前尚無全文檢索，使用者
可以直接使用網路瀏覽器閱讀。但是，由於HTML版本是由許多的小
檔案組成，如果備份到硬碟上執行，可能造成硬碟資源的嚴重浪費
。如果需要在硬碟裡工作，建議使用者可以利用HTMLHelp版本或其
他版本。倘若需要利用其中的某部份經文進行教學或其他的運用，
可於經文瀏覽區選擇檢視原始檔，再選擇另存新檔。或者直接利用
剪貼薄的功能，如此較不浪費硬碟資源。
5.丁福保《佛學大辭典》電子檔
為方便使用，光碟中提供兩種格式的丁福保《佛學大辭典》的電
子檔（註十三）：純文字檔格式及HTMLHelp格式。且點選HTMLHelp
版丁福保《佛學大辭典》，由於檔案較大，開啟時間較長。另外，
目前這個HTMLHelp版本只能在中文Windows環境之下操作使用。
結語
￣￣
流程檢討
簡言之，CBETA依作業流程，分別由負責掃描辨識或輸入的「輸入
組」、經文電腦比對及人工校對的「校對組」、提出前瞻性、國際
性及學術性之整體規劃及進行標記工作的「研發組」、處理電腦上
缺字問題的「缺字組」、技術程式以及網路、單機應用程式開發的
「資訊組」、將各組工作近況及成果利用網路呈現的「網路組」、
以及負責成品發行事宜及推廣活動的「發行組」等組，依工作性質
分別負責各項業務（註十四）。
在整個的作業過程中，校對與研發是佛典電子化最耗時的部份，
如何能快速又精確地達到要求，並且能研發出符合普及與學術的要
求，一直是CBETA的重要課題。事實上，這也是撰寫此文的主要目的
一希望學者專家能就上述「作業流程」與「成果內容」提出改進與
改良的方案，期能製作出更精良的漢文佛典與界面，以服務大眾（
註十五）。
未來展望
￣￣￣￣
至目前為止，CBETA除了上述的成果之外，其他的藏經電子檔，也
正陸續完成中，並將依進度隨時置於網頁上，並於每年年底前製作
成光碟，與大眾結緣。未來，我們將朝向附有校勘資訊的「學術版
」努力，CBETA擬於學術版內附有《大正藏》的註解欄等資料，藉此
提供歷代各版本漢文大藏經的原貌。並將與佛教學者合作，以完成
以單部經典為主的學術版等計畫。當然，最終則是期望能達到《
CBETA電子大藏經》「普及化與學術化、本土化與國際化兼備」的目
標。
同時，為了能讓佛典電子化的工作能永續經營，培養新生代參與
佛典電子化的作業，也是CBETA的重點工作之一。因此，除了上述
CBETA的工作群外，「研發組」亦延聘多位佛學研究所學生擔任「研
究助理」，參與佛典電子檔的校勘與標記（Markup）工作。如此，
不但能增進學生的佛學與電腦知識，亦期能藉此培訓俱佛學學識與
電腦技能的新一代學者，以因應二十一世紀的需求。
註釋：
￣￣
註一：謹此感謝日本東京大學故江島惠教教授，及日本SAT多位教
授熱心協助，始能順利完成「中日大正藏版權簽約」的重
要任務。
註二：CBETA並於各版本的經文資料中，均附有經文相關資訊，記
載原始資料來源，提供使用者參考外，亦期望此經文資訊
與經文提供者名稱，能隨經文電子檔一併流通。每件事業
的完成，都是眾緣和合所成，CBETA於工作進行中同時與
國內外很多單位團體聯絡合作，然因為協助與贊助者很多
，恕無法一一詳列於此，詳細名單請參閱CBETA網頁http:
//ccbs.ntu.edu.tw/cbeta/friend/gongde.htm。
註三：「一般組字式」基本規則說明：
註四：所謂「M碼」就是以M開頭後面接著一串數字的缺字表示法
，是國際上廣為採用的缺字表達法之一。譬如CBETA以M00
763代表[條-木+火]，通用字為「倏」的這個電腦缺字。
註五：特此致謝日本「今昔文字鏡」（Mojikyo Font Center,
http://www.mojikyo.gr.jp）提供網上免費下載字型，以
便使用者 處理缺字問題。
註六：有關缺字的處理可參考謝清俊，《電子古籍中的缺字問題
》等文，及莊德明，〈漢字缺字處理與梵巴藏字母的輸入
〉與《佛典共用造字集的規畫》等文，以上有關缺字論文
全文，可於 http://www.sinica.edu.tw/~cdp/下載。
註七：Sperberg-McQueen, C. Michael and Burnard, Lou
(Eds.) Guidelines for Electronic Text
Encoding and Interchange [TEI P3 ], Chicago and
Oxford: Text Encoding Initiative, 1994.
註八：此二範例摘錄自《CBETA工作手冊》。
註九：CBETA的工作進度與產量，依目前的財務能力，以平均十二
位工作人員計算。依此人力估算，至1999年底的預計進度，
期能完 成藏經1-55冊的一半數量，亦即完成《大正藏》28
冊以上的校對。
註十：譬如，有關梵文轉寫字可安裝CBDIA.TTF字型檔。如果安裝
順利的話，將可看到類似如下的表達：Mahayana。
註十一：普及版與App版行首資訊規則說明
Txxnyyyyopzzzzcll為每行經文之前的資訊，其意義如下：
T ：表示大正藏（Taisho）經文。
xx：二位數，表示大正藏冊別。
n ：固定不變，表示後面接經號。
yyyy：四位數，表示大正藏經號。
o ：大寫之 A，B...表示大正藏有記載之同經號之別本，
小寫之a，b...表示大正藏沒有記載之同經號之別本，
完全沒有同經號資料者，用下底線符號填入’_’。
p ：固定不變，表示後面接頁碼。
zzzz ：四位數，表示大正藏頁碼。
c ：表示第幾欄，a 表示上欄，b 表示中欄，c 表示下欄
，d 表示校勘欄。
ll ：二位數，表示在該欄的行數。
例如：T10n0279_p0001a01，即表示大正藏第十冊0279經第一頁
上欄第一行。
註十二：HTMLHelpR格式是微軟公司R開發的新一代線上輔助系統
格式，為視窗98R系統中輔助說明的瀏覽器，並可連結微
軟網際網路瀏覽器R（Internet Explorer），支援HTML，
JavaScript及Vbscript語法和相關的圖檔格式（jpg和
gif等）。
HTMLHelp為附於視窗98中輔助說明的瀏覽器，視窗95亦
以更新使用。
註十三：光碟所附的丁福保《佛學大辭典》電子檔，為「佛教電
腦資訊庫功德會」所提供，特此致謝。
註十四：當然，每件事業的完成，都是眾緣和合所成，CBETA於工
作進行中，得到國內外許多單位的協助，特此致謝。然
因為協助與贊助者很多，恕無法一一詳列於此，詳細名
單請參閱CBETA網頁http://ccbs.ntu.edu.tw/cbeta/
friend/gongde.htm。
註十五：「中華電子佛典協會」聯絡資訊：
地址：台北市朱崙街36號（慧日講堂）303室
Tel:+886-2-8773-6469 Fax:+886-2-8773-6470
E-mail:cbeta@ccbs.ntu.edu.tw
Homepage: http://ccbs.ntu.edu.tw/cbeta
重要度:
文章分類:
電腦標籤:
- 瀏覽次數：18117
發表新回應