臺灣大學圖書館館訊

引言
中日韓字符資料在電腦中的情況
香港中文大學圖書館機讀目錄歷史
INNOPAC的「Big5對應表」與「UTF8對應表」的矛盾
香港圖書館的Unicode工作計劃
香港中文大學修改圖書館機讀目錄資料庫過程
新UTF-8對應表diac.utf8.hkiug下資料用戶軟件的設定
HKIUG的跟進工作
未來
結語

1. 引言

圖書館目錄的功能是要幫助讀者有效地查詢，辨識，選取圖書館内的資源。自從電腦作業系統支援中文字以來，中文字碼的選用是華文圖書館編目工作的一大挑戰。 圖書目錄在圖書館系統的中文輸入和内碼限制下，不單要正確顯示書目紀錄，亦要兼顧用戶端的電腦界面以支援有效檢索。書目紀錄的字碼不同，也成了合作編目的障礙。編目者一般會採用大五碼(Big5)、國標(GB)、CCCII、EACC或Unicode(單一碼)等輸入資料，而INNOPAC系統則以CCCII/EACC為内碼。以往香港圖書館大多使用Windows95或Windows98外掛Big5輸入系統， 亦有使用DOS版含繁簡体字的CCCII大漢字形檔。但由於INNOPAC 的Webopac使用Big5 port，只有繁體字介面，讀者也只能以繁體字查詢。

踏入2000年，Unicode平臺的個人電腦作業系統日漸普及，如Windows2000， WindowsXP等。用戶多以Unicode介面輸入資料或查詢。此舉形成了編目，内存及查詢的三個層面，各自使用不同的內碼介面。本文簡介中文字碼的問題；香港中文大學圖書館系統在2003年的書目紀錄字碼轉換工作；以及香港INNOPAC用戶組 (HKIUG) 單一碼計劃工作小組提出的建議和解決方法

2、中日韓字符資料在電腦中的情況

2.1　每一個中日韓字符對電腦來説，只是以一串内碼的形式存在電腦的記憶體中。流行的中文字編碼字元集有如下幾種：

2.2　值得注意的是各種中文字編碼字元集均有個別的繁簡體字支援範圍。

2.3　各種中文字編碼字元集亦有個別的「碼點」，毫無關係。以 [余] 字為例：

2.4　 從上表可知，同一個 [余] 字，使用與繁體字「餘」相連的EACC 276076而不取其獨立的CCCII 213131，有索引上的優點。同樣，例如「餘數」這個詞組，繁體的「餘數」與簡體的「余数」能够互相連結索引。

3. 香港中文大學圖書館機讀目錄歷史

3.1　香港中文大學圖書館機讀目錄與其他香港的圖書館大致一樣，是使用繁體字編目，以Big5為内碼儲存。大學圖書館系統使用INNOPAC後，由於INNOPAC是以CCCII為中文字内存的系統，早期以Big5為内碼儲存的目錄於1995年一併轉換爲CCCII，以符合當時USMARC的標準（唯字碼不局限於EACC字元集）。對讀者提供的Webopac是Big5 port，只能顯示繁體字。

3.2 　香港中文大學大學圖書館系統認爲簡體字書籍，應以簡體字著錄、儲存及在目錄上顯示。雖說簡體字書籍也可循用繁體字編目，但例如「杰」字出現在作者的名字某部分時，以「傑」字代替未必適當，甚至錯誤。因此爲了如實著錄，簡體字書籍還是以簡體字著錄為尚。自1996年開始，大學圖書館系統的機讀目錄已是繁簡並用了。

3.3　可是繁簡體字在Big5對應表轉換為CCCII後，尾4碼不連結，影響索引。且看「餘數」的「餘」，内碼經Big5對應表轉換為EACC 216076，與簡體的「余数」的「余」内碼則被轉換為CCCII 213131即為一例。大學圖書館系統爲了利用繁簡體字連結索引的特質，「余数」的「余」，使用了永麒公司的「大漢字庫」，選取以與「餘」相連的「余」（内碼EACC 276076）輸入。誠然對讀者來說，難免有點麻煩，要找出簡體字資料的「余数」的「余」（内碼EACC 276076），要輸入繁體字資料的「餘」（内碼EACC 216076），否則光是輸入「余」只會找出含姓氏「余」（内碼CCCII 213131）的書目資料。線上目錄檢索受到很大的限制，這種情況一直無法改善。

3.4　直至INNOPAC於2000年後提供了UTF8 port Webopac 繁簡並用的目錄，上述檢索限制的情況才有新發展。繁簡体字是可以一併查找及顯示。見附圖：

4. INNOPAC的「Big5對應表」與「UTF8對應表」的矛盾

可是，同樣是一個字符「余」，在INNOPAC系統中的「Big5對應表」與「UTF8對應表」選取對應CCCII的邏輯次序並不一致。用戶經Big5 port或UTF8 port會找到不一致的書目數量。換言之，在UTF8平台下輸入的字符儲存碼與Big5平臺輸入字符的儲存碼並不完全一樣，做成書目檢索上的混亂。請看下表查詢「余」字的情況：

5. 香港圖書館的Unicode工作計劃

5.1　基於在Unicode環境下使用INNOPAC編目及讀者查詢目錄時會遇到的種種困難，香港中文大學大學圖書館系統邀請了香港各INNOPAC圖書館於2003年7月11日舉行了一次名為“Seminar on Using Unicode UTF-8 for Online Catalogue on INNOPAC System” 的討論會。各圖書館的代表在會上交流意見，並商討各種解決方案。同年7月， Hong Kong Innovative Users Group（香港Innovative用戶協會，簡稱HKIUG） 成立了HKIUG Working Group on Unicode Project （單一碼計劃工作小組）負責儘快訂出解決方案。

5.2　單一碼計劃工作小組的成員包括香港科技大學的林紀達先生，香港城市大學的黃秉傑先生，香港大學的陳偉明先生，香港中文大學的何以業。

5.3　單一碼計劃工作小組的目標有如下五個：

• 解決「Big5對應表」和「UTF-8對應表」選取内存CCCII不一致的難題
• 決定對應表中的那些應是「一EACC對一Unicode」或是複數對應，即「多EACC對一Unicode」
• 決定對應表應否只包含「EACC」或是「EACC+ CCCII」並存
• 清除對應表錯誤與缺漏
• 為將來「以Unicode為内存的資料庫」（Unicode based database）做好準備

5.4　經過三個月的反復討論，單一碼計劃工作小組於同年11月提出如下方案：

• 不再修訂Big5 對應表。原因是Big5對應表字量少；只支援繁體字；複數對應太多
• 重制新的 Unicode 對應表
• EACC<>Unicode 對應方面，以美國國會圖書館MARC 21為標準
• EACC 與 CCCII 重疊時，刪除CCCII （可參看下文5.5.b）
• 各館自行決定將屬於上項955對中以CCCII為內碼的資料轉換為對應的 EACC
• 對應表需包括「純粹CCCII」，即不是與EACC重覆的CCCII，以照顧非常用字（可參看下文5.5.c）
• 新對應表除了「一EACC對一Unicode」外，亦會包含「多EACC對一Unicode」；尾4碼相同者，容許複數對應；尾4碼不同者，需決定優先選取者（可參看下文5.5.d）

5.5　新的 EACC/CCCII<>UTF-8 對應表的建構的詳細工序見於黃秉傑先生在2003年12月第4屆 Hong Kong Innovative Users Group Meeting報告內的Procedures 部分。該部分的要點為：

• 以美國國會圖書館MARC21的東亞語文内碼表（http://www.loc.gov/marc/specifications/specchareacc.html） 為基準，抽取了15,673條EACC<>Unicode對應目，從INNOPAC舊對應表diac.utf8，刪除與LC重覆的部分。
• 從INNOPAC的舊diac.utf8對應表，刪除與EACC重覆的CCCII。此類内碼共 955對，例如：

  可被刪除的CCCII	Unicode	字符	應使用的EACC
  213131	U+4F59	余	276076
  21653E	U+4F53	体	27615A
  213A79	U+5BB6	家	27323E

• 加入INNOPAC舊對應表diac.utf8經過篩選餘下的7,044條CCCII<>Unicode對應條目以照顧非常用字。例如：
  

  CCCII	字符	Unicode
  217570	埗	U+57D7
  243E2B	曌	U+66CC

• 由於新表中包含了「多EACC對一Unicode」，而INNOPAC只與其中一條對應，香港科技大學圖書館因此就49組，共109個字符的「多EACC對一Unicode」内碼，展開了「高使用率」研究而設定了優先對應條目。工作小組根據此研究在新對應表中設定了優先對應項。例如：
  

  台
  EACC	Unicode	HKIUG的決定	相關繁體字
  27605D	U+53F0	<--27542B較為常用，選為優先對應	21605D颱
  283B7D			223B7D檯
  213538			---
  27542B			21542B臺

5.6　EACC/CCCII<>UTF-8 對應表命名為diac.utf8.hkiug，摘要及圖示如下：
　　　　EACC<>Unicode：15,673
　　　　CCCII<>Unicode：7,044
　　　　合共：22,717條目

6.香港中文大學修改圖書館機讀目錄資料庫過程

6.1　香港中文大學大學圖書館系統在HKIUG確認單一碼計劃工作小組建議的新對應diac.utf8.hkiug之前，已於2003年7月24日開始自行修改内碼。大學圖書館系統爲了避免影響讀者使用目錄，所以在9月大學新學期來臨前先行改碼。

6.2　改碼是使用Millennium INNOPAC的 Global Update 功能，將目錄資料庫中955組 CCCII，轉換成對應的EACC（見前5.5.b）。改碼工作的一個月内，由於圖書館的INNOPAC 系統並不中斷日常運作，而書目紀錄含中日韓字符的目錄多於40万條數據，所以必須分批轉換。先後次序如下：

• 書目檔案中受索引控制部分的内碼 。例如巻（83,842次）；家（35,065次）；志 （34,353次）
• 書目檔案中不受索引控制部分的内碼
• 權威檔案中受索引控制部分的内碼
• 權威檔案中不受索引控制部分的内碼

6.3　改碼期間，大學圖書館系統Webopac切斷舊Big5 port，只提供UTF8 port給讀者使用。

7. 新UTF-8 對應表diac.utf8.hkiug下資料用戶軟件的設定

7.1　對讀者而言，圖書館提供了UTF8 port Webopac；而圖書館則使用Millennium INNOPAC 或其他支援Unicode的Telnet軟件如Anzio-Win為作業平台。

7.2　由於新對應表diac.utf8.hkiug有「多EACC對一Unicode」條目，例如：簡體字 「历」U+5386可對應 27462A 和274349，HKIUG 以27462A為優先對應。若簡體字書目有「万年历」或「万历皇帝」等字樣時，編目者為了準確地把原資料著錄，便需要自行以内碼 {274349} 形式代替字符輸入該字。

7.3　但2003年時Millennium INNOPAC的Millennium Editor Client有缺點，在每筆記錄重存時，會硬按對應表的優先對應的規定把「历」U+5386存為内碼27462A。見附圖：

2004年Innovative公司爲了解決這個問題， 提議Millennium Editor Client可使用一個「短對應表」，即是從新UTF-8 對應表diac.utf8.hkiug中剔除「非優先對應」條目。自行輸入的任何内碼由於不存在於「短對應表」中，就得以保存下來。至於讀者的UTF8 port Webopac 仍使用對應表diac.utf8.hkiug。見附圖：

7.4　仍然使用Character-based INNOPAC的圖書館，則需要採用其他支援Unicode的Telnet軟件如Anzio-Win的圖書館，啓動Anzio-Win的CCCII session的同時，並設定獨立的軟件對應表CCCII.UNI。香港中文大學大學圖書館系統自行把diac.utf8.hkiug轉化為Anzio-Win的CCCII.UNI作日常編目之用。

7.5.　既然Millennium Editor Client 能保留編目時自行輸入的内碼，Millennium INNOPAC的MilSer 和MilAcq就可以安心應用了。

8. HKIUG的跟進工作

8.1　由於香港的INNOPAC用戶仍會繼續使用CCCII為内存， HKIUG 在2003年單一碼計劃工作小組的基礎上，於2005年接續成立另一工作組，名為「香港Innovative 用戶協會單一碼特別工作組」（HKIUG Unicode Taskforce）負責如下工作：

• 設定TSVCC（Traditional-Simplifed-Variant-Chinese-Characters）混合索引，以解決非優先字不易查找的困難。

CJK 字符中，繁簡體和異體字甚多，不能光靠CCCII特徵的「尾4碼相同」來連結索引。Innovatives 能以 Tool-database 形式達到混合索引的功能，而本特別工作組則提供混合索引條目。當輸入以下任何一個字符，均可把載有以上任何代碼的目錄全部找出來。例如：

213538 台　21542B 臺　27542B 台　21605D 颱　
27605D 台　223B7D 檯　283B7D 台3A3B7D 枱

• 繼續維護新UTF8對應表diac.utf8.hkiug，修改Unicode對應，迎合用戶方便，更改對應。例如按照《现代汉语词典》(北京 ：商務印書館) 判定那些是異體字。例如：

• 關注LC MARC21標準内的東亞語文内碼表的更新情況
• 為未來轉移到Unicode為内存的INNOPAC， 做好準備

9.未來

9.1　往後數年，圖書館界仍多以 EACC 為記憶體代碼及作為交換碼。以CCCII為内存的INNOPAC 用戶館與此等以 EACC 為記憶體的資料庫進行交換時，不會出現問題。但將來轉用以 Unicode為内存的INNOPAC時，與此等CCCII/EACC資料庫交換時，有些簡體字會輸出cross-walk錯碼。同樣，若圖書館仍採用以CCCII為内存的INNOPAC，接收Unicode的交換目錄，也會受到如上cross-walk錯碼影響。交換資料時cross-walk中的「多碼EACC合為一碼Unicode」不成問題，但「一碼Unicode分爲多碼EACC」則非經人工干預選擇不可。 例如：會有Unicode「万年历」轉換成EACC「万年历 (歷) 」輸出的錯誤。見附圖：

9.2　隨著Unicode的普及，INNOPAC已可以由CCCII為内存轉移為以Unicode為内存。大陸的INNOPAC使用館已有或積極考慮轉移到使用以Unicode為内存的INNOPAC。由於Unicode與CCCII碼點形式不同，Unicode的TSVCC必須重訂。

10.結語

臺灣地區在中文字碼的研究早已啓動，1999年由國家圖書館出版的《中文字集字碼研究計劃報告》是一份非常詳細精密及有啓發性的報告，為研究中文字集提供的重要文獻。香港中文大學大學圖書館系統在開始探索字碼問題時，亦視此爲主要參考資料。香港的INNOPAC圖書館經過兩年多的討論及研究，已基本解決了字碼的對照，各館已陸續由Big5轉換到Unicode的編目平台。而編目工作也逐步依照原書，以繁體或簡體著錄。在Unicode的平台，可更方便著錄古代文獻中的非常用字。推想Unicode會繼續擴大收集中文字符，增加字庫。將來電腦作業系統亦會能支援更多Unicode的字符，屆時，就算要處理敦煌寫本上的佛經罕見字也不會再有問題了。