▶
▶
▶
▶
▶
▶
▶
▶
▶
▶
▶
▶
▶
流 程 簡 介 |
本會處理經文的方式,主要是採用不同來源兩個以上版本的經文電子檔,利用程式進行比對,再利用看圖校對的方式產生一較正確的經文電子檔,再交由人工校對。這樣的處理方式,在速度及品質上均令人滿意。 |
去 點 程 式 |
當我們打算使用掃瞄書本及使用 OCR 技術來產生經文時,第一個遇到的問題就是經文圖檔的「雜點」,「雜點」是指非經文本身的符號,在OCR時,會造成較低的判斷正確率,所以就寫出了這支程式來協助解決這個問題。 |
OCR Plus |
使用 OCR 判斷的同時,會發現許多常見而重複的誤判。部份可以經由 OCR 自動學習的功能來改善,但不易改善並且有經常規則性的錯誤,就可以使用這支程式來幫忙處理。本程式是由楊忠權先生完成,並授權本協會使用,在此特別感謝! 也因為這個概念,而得以產生製作「常見錯誤字串取代表」的行動,並將功能整合至「看圖校對程式」之中,以擴大其應用範圍。 |
經 文 大 正 藏 格 式 化 |
在經文產生之後,我們希望在經文之中能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。這些資料在需要查對原書時,能夠讓我們很快的找到出處,對於後序的作業提供很大的方便。而這支程式主要就是針對蕭鎮國先生所提供 25 冊大正藏經文,進行格式化的動作。 ▶▶▶ 詳情請參考 CBETA 資料庫行首資訊規則說明 |
檔 案 比 對 程 式 |
在經文校對上,通常是最耗時的一個環節。經由中研院提供檔案比對的技巧與概念,寫出這支能處理相異格式經文的比對程式。利用這程式來比對二分文件,可以很輕鬆的找出二份文件差異處,再利用一些工具,就可以很快的協助我們修改資料。 |
常 見 錯 誤 字 串 取 代 |
在經典文字處理的過程中,有許多錯誤的發生,其實都是有因有緣,有跡可尋的。OCR 有 OCR 常見的錯,使用注音、倉頡等輸入法的朋友,亦都有常犯而難以發現的失誤。故在校對的過程中,吸取錯誤經驗,並加以記錄統計,進而設計了各式的「常見錯誤字串取代表」。 除了「常見錯誤字串取代表」之外,亦有各式「缺字代換表」,故將字串取代功能整合至「看圖校對程式」之中,如此在找出不易發現的錯誤之同時,配合看圖功能,可立刻叫出原書圖檔,進而加以比較,加速了處理的速率。 |
看 圖 校 對 程 式 |
在校對過程中,查詢原書也是一件花費工夫的事。由於我們已有大部份的掃瞄的圖檔,故寫了本程式,希望能在利用「比對程式」之結果,進行校對時,根據經文中大正藏格式的資料,能立刻在電腦上秀出原書的字,以增進校對判斷速度,並讓沒有書的人亦可進行校對工作。 |
文 字 分 析 程 式 |
在大正藏的經文中,除了常見的文字與句點之外,尚有許多其他的符號,其中主要的有校勘數字(有數字的黑圈)、校勘星號(星號)、斷詞小黑點,而較不重要的符號則有一些日本使用的讀音符號,為了讓電腦能協助在現有的經文中自動補入這些符號,於是有了本程式的開發。 |
缺 字 處 理 |
缺字處理是很重要的一環,目前有下列的方法在使用中: 網路上常見的組字法 (需了解組字規則) Dr. Christan 在高麗藏用的 &C, &K 表示法 (需要字碼對照表) 今昔文字鏡使用之 &M 表示法 (需有字典資訊) 漢字組字法(中研院資訊所文獻處理實驗室) (需有造字檔及組字規則) 直接使用圖檔表示法 (純文字檔環境不能使用) 使用 Truetype 利用不同字面的方法 (純文字檔不能用) Open98 使用漢字庫,利用漢語大字典之資訊為編碼原則 (需有字典資訊) |
文 件 標 記 |
在核心資料加上適當的標記,就可以在各種應用中取得正確而需要的資訊,故標記的設計與標記程式,也是有待研發的項目。 簡單標記介紹 -- CBETA 電子報第四期 校勘版 XML 標記簡介(上) -- CBETA 電子報第五期 校勘版 XML 標記簡介(下) -- CBETA 電子報第六期 |
介 面 轉 換 |
研發跨平台技術,希望將核心資料在不同作業平台轉成各種格式,以提供不同需求層面的使用者。 |
全 文 檢 索 |
發展全文檢索核心,以提供單機成品及網路展現使用。 本協會提供一些簡單搜尋程式,供使用者下載。 |
成 品 介 面 |
用來將核心資料展示出來,變成單機成品或網路成品,以供流通。 |
▶▶▶ 【技術資訊】(網站瀏覽)