CN1095561C - 汉字自然部件编码 - Google Patents

Abstract

汉字自然部件编码，是一个汉字全字形信息拼形的编码方案。它属于汉字多部件编码技术。它把上万的汉字拆分成数百种自然部件，使用复合结构的数字附标符号，通过一个有直角坐标性质的部族表，形成具有层次且一一对应的部件复代码，再经过对复代码进行常规取码或补充取码，其单码按部件书写成字顺序，组成能表达出汉字全部形体信息没有重码的准数字化编码。由于编码排序序列与汉字排序序列相互对应，自然部件编码实用于电脑键盘输入，又方便于辞书排序检索。

Description

汉字自然部件编码

本发明为汉字自然部件编码。

本发明是一个汉字全字形信息拼形的编码方案，是一个可以用于辞书排序的电脑键盘输入汉字代码系统，它属于一种汉字多部件编码(多信息体编码)技术。

汉字电脑键盘输入技术，从70年代开始，到90年代，通过汉字编码，在DOS等系统的支持下，已经获得了较好的解决；但其中的汉字编码技术，十多年了，“万码奔腾”，路途分歧，没有成熟。(1)以汉字编码方案而言，根据部件拆分，有少部件多环节方案，有多部件少环节方案；根据特征信息提取，有音码方案，形码方案，音形码方案等。无论哪种编码方案，它们都不具备全部字形信息，都不能消除重码。这是汉字编码技术顶峰两个久攻不下的堡垒。各种编码方案设计思想的分歧，表明人们对汉字的结构规律，特别对特征信息的提取，存在着不同的认识。实际上，字音字义是汉字的指代信息，是汉字的一种间接信息；字形是汉字的显示信息，是汉字的一种直接信息。提取汉字的间接信息，如字音字义等，在没有掌握间接信息的情况下(字不会读音，字不明其义)，汉字就无法进行编码；反过来，在没有掌握间接信息的情况下(音不知其字，义不知其字)，编码就无法还原成字。提取汉字的直接信息，即字形特征信息，好处在于只要有字形就有特征信息，汉字就可以进行编码；反过来，如果提取的字形特征信息不全，如“五笔字型”中“敷”字的编码同样无法还原成字。虽然有过“汉字全息码”的理想和风波(见《中文信息》1992/2)，汉字只有在提取字形的全部信息条件下，汉字编码和解码(正过程和逆过程)才能直接而顺利地进行。(2)以汉字拆分部件而言，“五笔字型”把汉字拆分成“字根”，如“申”拆分成[日、丨]，“柬”[一，

小]，“里”[日，土]，“敷”[一， ，丨，(丶，方)，攵]，“果”[日，木]等。其中，汉字形体相近的某些部分使用通代，如“柬”字中的

使用

通代，不利于汉字的结构教学和书写规范；有些汉字丢掉了一部分笔画，如拆分后的“敷”字，还原成字便是

；它的拆分要点是“一个笔画不能割断在两个字根中”，从而在部件成字时，造成“字根”相互穿插套叠，如“果”字拆分后不穿插套叠便成为了“杲”字。(见《电脑应用与打字》，国防科技大学出版社。)复杂的汉字部件穿插套叠，无论是编码还是解码，既难想像，又难记忆。(3)以部件代码使用的符号而言，汉字拆分部件的数量大于十，不能用数字(符号)作部件代码，汉字拆分部件的数量多于二十六(拉丁字母总数)，同样不能用拉丁字母(符号)作部件代码。但传统的方法依然采用拉丁字母作部件代码。另外，用字母作部件代码的编码，是一种字母编码。这时的各个字母既表示一个独立事物，又表示一种序数，即字母代表部件组合时，字母代表的是一个独立事物——部件的“形”；而编码按照字母顺序进行排序时，字母代表的是部件的“序”，它和“1.2.3……”一样，表示一种“序数”。字母作为部件排“序”的代码，它的进位总数就是字母的总数。拉丁字母的总数(进位数)是二十六，国际通用数字的总数(进位数)是十。人们习惯于十进制，字母排序的顺序感不强。四码的字母编码转换成数字编码，由于一个字母要用两个数字表示，便变成了八码的数字编码。只有一个不充分的理由(汉字部件数超十)需要用字母作部件的代码，有多个理由表明汉字部件不宜用字母作代码。(4)以编码本身排序而言，汉字编码既要实用于电脑键盘输入，又应能走向多个应用领域。编码排序的序列与汉字排序的序列两者相互对应，是走向多个应用领域的必要条件。但在当今汉字编码的测试评比中还没有这一内容的地位。“五笔字型”码表的一级字库，汉字按拼音排序，汉字“有序”，编码无序；二级字库，汉字按部首排序，汉字“有序”，编码无序。只有编码本身有序，编码对应的汉字也有序，而且汉字的序列，比按部首排序(义形笔画数多元序)的序列，或按拼音排序(音形笔画数多元序)的序列两者更好，汉字编码技术才真正成熟了。

本发明的目的是，使汉字编码本身有准数字序，与编码序对应的汉字有不含音义的纯字形(部件一元)序，从而使面性拼形的汉字，通过部件代码获得一种线性拼形的表达形式，使汉字编码成为汉字的“形代码”(汉语拼音成为汉字的“音代码”)，在文化上完成汉字的“一文两代”，在技术上使汉字编码能通用于键盘输入技术以外的各个领域。

自然部件编码方案包括下面五个部分：

1.把汉字拆分成能拼出全部字形的自然部件

人们认为，出于不同的应用目的，汉字可以拆分成不同的“字根”，“字根”就是部件。实际上，汉字存在一种真正的符合汉字结构发展和成字规律的部件，它的主要形式是部首和交连笔画构件(由成字省略表意和成字省略表声——“形省”而来，如“素”的“糸”是部首，“”为“垂”省意而来；“鲜”的“鱼”是部首，“羊”为 省声而来。参见《汉语大字典》)，还有几种特殊形式。它们就是自然部件。

自然部件的拆分，采用字形全部信息的原则，以部首或交连笔画构件组合的方式，拆分成能拼出全部字形的“部族表”(见附图1)内存在的部件。因此，它一不拆分部首，二不拆分交连笔画构件；但它可拆分由几个交连笔画相连而成的复合交连笔画构件，如“果”字可拆分成“田、木”。这是自然部件基本拆分的一种延伸；它又可把基本笔画或复合笔画，几个部首或交连笔画构件组成的组件及成字视作自然部件，如“才”[ ，丿]中的“丿”是自然部件。这是自然部件基本拆分在另一方向的延伸。

根据前面的拆分原则，“五笔字型”举例中的“申”、“柬”(笔画交连)，“里”(部首)都被作为自然部件而不拆分，“敷”被拆分为“甫、方、攵”三个自然部件，“果”被拆分成“田、木”两个自然部件。它们直观明了，用不着于语文学习之外强记。

自然部件的检验标准是，在部件成字过程中，形成字整体的部件之间，只存在上下，左右，包围等(拓扑结构)的位置关系，因而部件互不穿插套叠。

汉字拆分成自然部件后，我们用一种特定的形式进行表示：部件按书写成字的顺序从左到右排列，部件之间用逗号分开，单字的全部部件用括号括起，如“敷”[甫，方，攵]“果”[田，木]，“缩”[纟，宀，亻，百]等。

汉字拆分成自然部件后，为了使用时方便称呼，我们也为它们起一个代用的名字。以“敷”为例，“甫”叫“首笔部件”，“方”和“攵”叫“续笔部件”，“方”是第一续笔部件，“攵”是第二续笔部件，“攵”又叫“末笔部件”。首笔，续笔，末笔都是部件书写成字过程中的一种笔顺描述。

2.设计一种能按层次使用的符号作部件代码

现代记数技术，对于比上万更多的计数对象，只用十个数码(0、1、2……9)，加上数位(……万、千、百、十、个)和进位(逢十进一)规则，其数量便表达得简单明了。数码不多，数位和进位是这种记数技巧的关键。汉字多部件编码技术也存在这样一种技巧：把从1至9的九个数字，加上点圈横区别标志进行循环，形成三十六个数字附标符号：

显然，每个数字附标符号的结构分两个部分，符号的主体是数字，符号的数字区别标志是放在数字下的点圈横(也可以放在数字之上，原意是上面留着放声调符号)，点圈横就是附标。(注意，原来的数字也是数字附标符号，它们的附标是“无”。因为三个附标已把数字区别成四种形式，原来的数字是数字附标符号的特殊形式。)因此，数字附标符号是一种复合结构符号。

三十六个数字附标符号，相对于十个数字(符号)和二十六个拉丁字母(符号)，有着无可替代的优势。先算一笔数，数字附标符号(整体)作为汉字部件编码使用的代码，在都不超过四个单码(码元，键元)的条件下，数字附标符号的组合数量(1.8×10⁶个)约为拉丁字母组合数量(4.6×10⁵个)的3.9倍，约为数字组合数量(9999个)的180倍。以五万汉字计，假设没有重码，汉字在数字附标符号组合中的占有率为千分之二十八，而在拉丁字母组合中的占有率为千分之一百零九，高出了八十一个千分点。如果把某种符号的总组合视作“虚编码”，这种符号作为汉字部件的代码之后，有汉字对应的组合就可以叫作“实编码”。在同一种符号的总组合中，实编码与虚编码之比就是“不饱和度”。显然，用数字附标符号作为汉字部件的代码，比用拉丁字母作为汉字的部件代码要不饱和得多。至于数字，在不超过四个单码的条件下，已属于过饱和了，五万汉字连整字排队编码也不能进行。

数字附标符号的特点是，它既与数字相通，又能满足超十事物用单个符号表示的要求，使汉字编码达到准数字化水平。当汉字编码应用于电脑键盘输入技术时，把数字附标符号(整体)与汉字部件对应，它便成为部件的代码，表现出字母功能；当汉字编码应用于辞书排序检索时，只要编码先按照符号(分部)的数字从小到大排列，相同数字的编码再按照区别标志从“无”到“点”，到“圈”，到“横”排列，它便表现出数字功能。这是数字和字母两种符号都不具备的(整体与分部)“能按层次使用”的特性。实质上，数字附标符号是一种与“二进制”数并称的“二序制”数符号。这种符号产生的土壤是世界上数量庞大的汉字进行多部件编码排序的需要。数字附标符号将在组合、排序、编码等数学分支中找到它的归宿，它也是多部件编码排序的基本工具。

3.让部件与代码双向单一对应起来

自然部件拆分法把上万的汉字拆分成五百个左右的部件，若要用它们进行编码，先要用一些符号分别代表这些部件，这些符号叫作代码(设码)。为了保证编码与汉字双向对应的单一性，首先要让部件与代码的对应关系也具有双向单一性，即一个部件对应一个代码(不一定是单代码)，一个代码对应一个部件(一定要是单个部件)。要做到这一点，我们把数字附标符号和自然部件织组在一个具有直角坐标性质的二维表格之中，这个表格就叫做“部族表”，如附图1所示。

部族表是这样分区的：对照附图1，它有两个表眉和一个表芯，位于左边的表眉有纵向的三十六格，按顺序放置了全部数字附标符号，每格一个。位于上边的表眉有横向的二十一格，有选择地放置了二十一个数字附标符号，每格一个。两个表眉各拥有的格数，本来可在20-40范围内任意选取，本方案有意与汉语拼音的韵母、声母数量一致。两个表眉相交的地方，标明所属的数字附标符号分别为“族码”和“部码”(解释见下段)。位于右下方的是表芯，总共765格，放置自然部件，每格一个。因为这个部族表只是一个用于自然部件编码举例的表，放置的部件主要是常用次常用字的部件；编码要适合于辞书排序检索，至少要放置构成《汉语大字典》全字集的五万六千多字的部件，所以留出部分空格。自然部件在表芯中位置的最后确定，还要通过实践修改，还要征求文字教育各界的意见。

部族表是这样形成的。如附图1，自然部件在部族表的一个(横)坐标方向形成排列顺序，如“氵、亠……甩”。这种排列顺序叫“部件序”，简称为“部序”。这个(横)坐标方向的数字附标符号序列与部件序列相互对应。这些数字附标符号，不能唯一地代表各自对应的该列的部件，但可以确定地表示各自对应的该列部件的排列顺序，所以不把它们叫做部件代码(排除不确定因素)，而把它们叫做部件“序”代码。部件序代码简称为“部码”，用“X”表示。这就是部族表中“部码”两字和后面取码公式中“X”的由来和含义。这一横行的部件(氵、亠……甩)又可以叫做“部件族”。部件族在部族表的另一个(纵)坐标方向形成排列顺序。部件族的这种排列顺序叫做“部件族序”，简称“族序”。这个(纵)坐标方向的数字附标符号序列与部件族序列相互对应。同样，这些数字附标符号，不能唯一地代表各自对应的该部件族中的部件(一般单代码编码方案走到这一步就停滞不前了)，但可以确定地表示各自对应的该部件族的排列顺序，所以只能把它们叫做部件族“序”代码。部件族序代码简称“族码”，用“Y”表示。这就是部族表中“族码”两字和后面取码公式中“Y”的由来和含义。

现在举实例说明部件与代码之间的双向单一对应关系。对照附图1，在表芯中，从上往下数21行，相应的左边表眉有一个部码

，再在表芯中，从左往右数11列，相应的上边表眉有一个部码

，而在行列交叉处有一个“中”，“中”的代码就是

，而且是唯一的。族码

放在前面，部码 放在后面，用逗号隔开，两者用括号括起，这就是自然部件代码的表示形式。反过来，如果我们知道某一自然部件的代码是[5， ，先在左边表眉中找到族码“5”，从左往右延伸，再在上边表眉中找到部码 ，从上往下延伸，两种延伸相交处是“央”，[5，

]就代表自然部件“央”，也是唯一的。由此可见，自然部件与代码(正向)，代码与自然部件(逆向)，都是一种一一对应关系，即部件与代码双向单一对应关系。

自然部件的代码，从上面举例中可知，它由族码部码复合而来，是一个复代码。一般的汉字编码方案，部件代码都是一个单代码。复代码和单代码有什么区别呢？(1)先从数学角度来理解，复代码的族码和部码，在具有直角坐标性质的部族表中，联合起来表示的是平面上一个确定的点，即族码和部码确定一个唯一的自然部件。因为是唯一的，部件与复代码之间的变换是可逆的。分离开来的族码或部码，在部件——代码(正向)变换中是唯一的，如“中”用族码代表，只可能是

，而在代码——部件(逆向)变换中是不唯一的，如族码“5”可以代表“央”，也可以代表“木、乡、七”等。因此，只使用族码作部件的代码(单代码)，是一种不可逆变换关系。一般使用单代码的汉字编码方案，如“五笔字型”中“F”与“土、士……雨”的变换关系都是一种不可逆变换关系。(2)从结构角度来理解，复代码是在族码的基础上联合部码形成的。所以族码(单代码)属于部件代码的初级层次，而复代码则属于部件代码的高级层次。由此可见，“五笔字型”也属于初级层次的编码方案。(3)从具体含义来理解，“部件代码”的说法是笼统的，不确切不具体的。严格地说，当部件组合时，部件代码表示的是部件的“形”，当编码排序时，部件代码表示的是部件的“序”，代码表示的是部件的两种属性。所以，自然部件编码的技术进步是有部件族“序”代码(族码)，有部件“序”代码(部码)，而复代码则是自然部件确切的“形”代码。自然部件有了自己确切而唯一的“形”代码，自然部件编码就有了消除重码的基础；自然部件有了自己专门的“序”代码，自然部件编码就有了自身排序的条件。由此可知，自然部件编码克服了各种单代码编码方案所固有的“先天不足”，“五笔字型”码本中有重码，一、二级字库的编码不能排序，其中的原因就在这里。

4.用部件复代码进行汉字编码

用部件的复代码直接进行单字编码，拆分成四个自然部件的单字，表示字形全部信息时，其编码便成为八码编码，这就超过了一般编码方案单字编码的单码数量。要做到单字编码最大的单码数量不多于四，又要保证表达出字形的全部信息，只有在选取编码的单码过程中施展某种技巧才能成功。

选取编码的单码就是取码。如果我们把自然部件复代码中的族码作为部件的常规代码，族码便成为该族部件共码(共同使用一个族码)的常规表达，我们再把自然部件复代码中的部码作为该族部件共码常规表达的补充，两者便形成取码的常用备用条件。通过一定的规则利用这种条件，便形成了单字编码的常规取码规则和补充取码规则。

常规取码规则：(1)部族表内的成字，取它的复代码作编码，如“言”的编码为

。(注意，此处编码表示形式与代码表示形式，只在族码与部码之间有一逗号隔开之差。)(2)部族表外的成字，都被拆分成二至四个部件，都取单字各个部件复代码的族码作为单码，并按部件书写成字的顺序排列单码作为编码，如“泊”[氵(1，1)，白(

3)]的编码为 “拼”[扌(4，1)， (

7)，廾(8，4)]的编码为

，“缩”[纟(8，1)，宀( 1)，亻(6，1)，百 ]的编码为 。按常规取码规则形成的编码叫“常规编码”。

补充取码规则：补充取码规则适用的对象是按常规取码规则取码编码产生重码的单字。您可能会产生这样的疑虑：这么多汉字，怎么知道哪个单字与哪个单字会产生重码呢？实际上，您疑虑的是单字的“设计重码”，或叫“码本重码”，“静态重码”。这种按常规取码的(真)重码，由方案设计者制作码本时，经补充取码被全部清除处理；您遇到的是记不住哪一个字需要补充取码的“操作重码”，或叫“过程重码”，“动态重码”。这种(假)重码，只要你对单字按常规取码规则取码击键(翻页)，当屏上显示(书面查得)单字与心中目标单字不一致时，再根据补充取码规则加取部码，形成无重码的“非常规编码”。常规编码加非常规编码就是自然部件编码。

显然，常规取码规则是一种见一次就能掌握的规则，补充取码规则是一种单个记忆才能掌握的规则，而补充取码操作则是一种变单个记忆为现场操作的排难措施。具体的补充取码规则和常规取码规则列表如附图2所示。注意，附图2取码规则表中的“结构特点”是“显示单字”(查得单字)与“目标单字”对照为条件得出来的特点。而补充取码属于“二次取码”，二次取码是编码过程中选取单码形式之一，传统的“二次上屏”是编码之外选择单字，两者有本质区别。

因为自然部件编码的各个单字拆分的部件数量不一致，经过补充取码后编码的单码数量也不会一致，所以自然部件编码(用字母b表示)是一种不等长码，最长为四个单码。这种不等长码最大限度地降低了“平均码长”。另外，单字编码排序的序列基本上与单字按部件排序的序列对应，这是超越各种编码方案解决辞书排序检索的大进步。因为自然部件编码是线性排列的部件族序代码或部件复代码，又是不等长码，作电脑键盘输入时，单字编码之间要使用分格键隔开。

5.编码应用于电脑键盘输入

自然部件编码，应用于电脑键盘输入，先要解决编码的单码(数字附标符号)与键元对应问题。现在的标准键盘打字区有“0-9”及“A-Z”三十六个键，因为自然部件编码的单码没有“0”，可保留“1-9”的键名不变，把“0”和“A-Z”二十七个键的键帽分别标上

三组数字附标符号，其中的对应形式应有利于提高击键速度，但可暂用“A- BC- D-

E- F-

……Y- ，Z- ，O- ”的形式。然后，按编制好的码本与DOS系统挂接起来，便可以在标准键盘上进行汉字自然部件编码输入。

下面以一个短句为例来说明自然部件编码的键盘输入方法：

(1)编码短句：解决了汉字编码排序序列与汉字自身排序序列两者相互对应的难题。

(2)单字拆代：解[角( 5)，刀(1，4)，牛(

6)]，决[冫( 3)，

( )]，了[

(

，2)，

(2，2)]，汉[氵(1，1)，又(

，3)]，字[宀( 1)，子(

7)]，编[纟(8，1)，户(

3)，

(

)]，码[石( 1)，马(

1)]，排[扌(4，1)，非( )]，序[(广(

1)，予( )]，列[歹(

3)，刂( 3)]，与[一(

2)，

( 2)，一(

2)]，自[

，3)]，身[

3]，两[

]，者[

(

7)，曰( 6)]，相[木(5，1)，目(

1)]，互[一(

2)， (9，3)]，对[又

3)，寸( 6)]，应[广(

1)， (6，

)]，的[白( 3)，勹(

3)、(

5)]，难[又( 3)，隹(9，5)]，题[旦(

)， (

)，页(

)]

(3)输入方法

自然部件编码摆脱了用字母作部件代码的束缚，克服了部件单代码的先天不足，解决了汉字编码表示全字形信息，没有重码，编码序列与汉字序列相互对应等一系列高技术难题。

附图说明：图1是汉字自然部件编码的“部族表”；图2是汉字自然部件编码的“取码规则表”。

Claims (2)

1.一种汉字自然部件编码，与其他汉字拼形编码一样，先把汉字拆分成部件，然后用符号代表汉字的部件，形成部件的代码，再按规则选取编码的单码构成汉字编码；本发明的特征是，先按字形全部信息的原则，以部首或交连笔画构件组合的方式，把汉字拆分成能拼出全部字形的部族表内存在的自然部件，然后用1至9的数字加上区别标志进行循环形成数字附标符号，再把自然部件和数字附标符号组织在一个具有直角坐标性质的二维部族表中，形成自然部件与族码部码一一对应的具有层次的复代码关系，在常规情况下，取自然部件复代码中的族码作为编码的单码，在制作汉字码本出现重码时，在常规取码的基础上，按规则加取自然部件复代码中的部码作为编码的单码，依部件书写成字的顺序，构成具有字形全部信息没有重码自身可以排序的汉字编码。

2.根据权利要求1所述的汉字自然部件编码，其特征是，部件代码使用的数字附标符号，其结构分为两个部分，符号的主体是数字，符号的数字区别标志是附标，符号能按层次使用，整体具有字母功能，它可作为汉字部件的代码，分部具有数字功能，它形成的编码可先按数字的大小排序，数字相同的编码又可按附标的先后排序，成为解决汉字字形全部信息及汉字多部件编码排序所必需的基本条件。

Images