也谈生僻字的信息处理_计算机论文.docVIP

也谈生僻字的信息处理_计算机论文 也谈生僻字的信息处理_计算机论文 摘 要：汉字生僻字的输入，一直是困扰文史工作者的难题，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方案。 　　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，依据不同的标准，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码字集扩编计划”，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