“互联网+”时代的古籍数字化新思路论文.docVIP

“互联网+”时代的古籍数字化新思路论文 　　 　　摘要：本文分析了目前中文古籍数字化过程中遇到的问题在“互联网+”的驱动下通过借鉴成熟的“reCAPTCHA”技术构建基于互联网知识网络的古籍数字化平台 　　 　　关键词：古籍互联网大数据知识网络验证码数字化 　　 　　一、古籍数字化出现的问题 　　 　　1、古籍数字化研究现状 　　 　　古籍又称典籍、文献是指没有采用现代印刷技术来印制的书籍中华文明五千年从甲骨文、简牍、卷轴再到线装留下了大量宝贵的古籍作为中华文明文化延续的印证古籍整理是非常重要的 　　 　　古籍整理的传统方法是通过对古籍进行审校释(审定、校勘、注释)等加工整理后形成新版本便于现代人进行阅读古籍整理的传统方法主要依赖手工进行有着操作过程繁杂、效率低的缺点而且新版本仍然是书本形式难以再次利用在计算机技术出现后古籍整理有了新的工具和方法即古籍数字化技术通过利用信息技术将古籍文献进行加工和整理并使其转化为电子数据可以通过光盘、网络进行保存和传播有效解决了传统古籍整理的缺点 　　 　　中文古籍的数字化最早是二十世纪七十年代从计算机技术发达的美国开始的我国在引入相关技术后产生了大批有价值的成果国家图书馆的“古籍特藏文献数字化计划”完成了“甲骨文”、“数字方志”、“碑砧菁华”、“敦煌遗珍”、“西夏碎金”、“永乐大典”等成果其他研究机构也推出了大量产品其中北京大学所著的《中国基本古籍光盘库》将收录古籍万余种另外在CALIS项目和CANAL项目中涉及到的古籍子项目也有很好的成果 　　 　　国际上拉丁文体系古籍的数字化工作也进行了大量研究工作由欧盟二十六家图书馆联合推出的IMPACT(ImprovingAccesstoText)项目是一个通过研究OCR(OpticalCharacterRecognition光学字符识别)技术来推动拉丁体系文字古籍数字化工程 　　 　　2、古籍数字化的发展与瓶颈 　　 　　我国古籍数字化的发展经历了联合目录阶段、目录+影像阶段和全文检索三个阶段 　　 　　第一阶段是20世纪80年代联合目录为古籍数据库检索系统的开发以数据库的形式储存通过利用计算机对古籍资料进行目录检索、内容整理、储存、数量统计以及编制索引极大的改进了古籍文献的检索方式是古籍研究的辅助工具最初的古籍数据库主要是书目数据库很多省市级图书馆都建立了书目数据库其中南京图书馆建立了40万条中文古籍书目数据 　　 　　第二阶段是20世纪90年代的目录+影像阶段这个阶段形成了以光盘为载体可通过目录进行查询、浏览原文的影像页的古籍文献或古籍数据库所以又称为光盘版古籍1997年武汉大学出版社推出的“四库全书光盘版”共150张光盘以文渊阁本《四库全书》为底本将全书两百余万页逐页扫描成电子文件 　　 　　第三阶段2000年起古籍数字化进入了全文检索阶段将古籍的全文录入进数据库系统通过文本与检索项匹配实现直接到段落的精确查找并且配置网络化以各地区的图书馆为节点、网络为纽带建立了网络上的联合数据库 　　 　　通过网络共享服务可以不再依赖个人存储也能得到海量资源然而古籍数字资源不足影响了网络化的发展古籍数字化加工有着很多的问题 　　 　　2.1机器难以提高对古籍的识别能力 　　 　　整理好的古籍进行数字化的第一步便是古籍录入 　　 　　图书数字化录入的方法有两种分别是人工键盘输入和计算机光学字符识别(OCR)扫描输入人工键盘输入属于手工作业需要由录入人员看着图书逐字录入有着效率低、成本高的缺点OCR是一种先进的自动化技术通过机器来大量识别图像为文本是大量图书数字化的主要手段但是如果图书是古籍的情况下机器的录入难度就增加了不少 　　 　　缺字： 　　 　　由于计算机对文字的处理要通过编码来完成国标字库(GB2312)收录有6763个字国标扩展汉字字库(GBK)收录有20902个字而古籍中通用字约有四万常用的异体字约为两万相对古籍中的繁体字、通假字、异体字、避讳字而言计算机的编码库无法满足古籍输入要求 　　 　　排版： 　　 　　古籍不仅仅是竖排版的问题有无钤印、句读、栏线标注分为单行标注和双行标注写本、刻本、家谱、碑拓等等甚至出现手写字体都会让计算机无法识别 　　 　　所以要提高古籍识别系统的可用性和可靠性必须建立一套自我学习系统让它尽可能接触更多古籍：从中提取新字样来扩充字符集识别新版式来增强版面分析能力 　　 　　2.2专业要求强、投入不足 　　 　　现代人能将古文顺利“认出”就是一件非常难的事情 　　 　　句读： 　　 　　古文是没有标点符号的在阅读古文时要做到正确表达和语气顺畅必须注意文句间起承转合不懂句读会造成误读、误解原意所以古人在《三字经》中要求“明句读”唐代文学家韩愈在《师说》中就提到“句读之不