基于Unicode編碼技術的地名生僻字庫研究

江

（福建省基礎地理信息中心，福建福州350003）

基于Unicode編碼技術的地名生僻字庫研究

（福建省基礎地理信息中心，福建福州350003）

目前數字線劃圖及地名數據庫內存在著大量未規范表示的生僻漢字，嚴重影響了地理信息數據開發應用的準確性和規范性。介紹了運用Opentype字體技術和Unicode編碼方法制作生僻字庫的一種快捷的技術手段，通過該方法整理出一個調用方便、應用效果好的地名生僻字庫。

地名；生僻字；Opentype；Unicode

1 技術方法

目前生僻字庫的制作方法多種多樣，有自主研發字庫制作工具的，有利用系統自帶造字工具制作單字應用的，也有采集生僻字柵格圖片直接應用的，各種方法各有特色。經過對相關資料的收集研究，本文運用Opentype字體技術和Unicode編碼方法，利用現有常用字體字庫工具制作生僻字庫，此種方法具有方法簡便、字符編碼兼容性好、成果調用便利等特點，能適應現有一般性地理信息數據應用的需要。

1.1 字庫及字體

1.1.1 TTF字體存儲格式

地名生僻字庫采用的是TrueType字體存儲格式。TTF(TrueTypeFont)是Apple公司和M icrosoft公司共同推出的字體文件格式，目前已經成為最常用的一種字體文件表示方式。TrueType字庫是采用曲線方式描述字體輪廓，因此都可以輸出很高質量的字形。TrueType字體是Windows操作系統使用的唯一字體標準。TrueType字體作為一種矢量字體，無論是在屏幕上查看還是打印，都能做到幾乎無損使用，質量非常優秀，其特點是由曲線構成字體輪廓，對曲線進行填充，制成各種顏色和效果，可以制作特殊效果字體，字款豐富，因此是適用范圍非常廣的一種字體。

1.1.2 TTF格式字體的優點

1）TrueType最大的特點就是它是一種由數學模式來進行定義的基于輪廓技術的字體，這使它保證了屏幕與打印輸出的一致性。這種字體和矢量字體一樣可以隨意縮放、旋轉而不會出現鋸齒，基本避免了點陣字在大字號應用時的缺點。

2）TTF格式的字體安裝方便，只需要將制作完成的TTF文件安裝到操作系統所在的Windows目錄下的FONTS目錄里面就可以在各類支持TTF格式字體的應用軟件中快速調用。

《信號與系統》課程及《數字信號處理》課程分別涉及到連續信號及離散信號的卷積運算。由于卷積這一種比較特殊的運算形式，僅從原理上講解，學生理解起來比較困難，如何讓學生準確理解這種運算，一直以來是廣大相關專業高校教師關注和研究的熱點[3～9]。

3）TTF字體可以使用Unicode編碼或國標GB系列編碼,制作的生僻字可以通過Unicode碼、GBK碼或者內碼輸入法實現直接鍵盤輸入，調用十分便捷。

1.2 Unicode字符編碼

國際標準組織于1984年4月成立 ISO/IEC JTC1/ SC2/WG2工作組，針對各國文字、符號進行統一性編碼。國際標準ISO10646定義了通用字符集 (Universal Character Set,UCS)。Unicode又被稱為統一碼、萬國碼、單一碼，它為每種語言中的每個字符設定了統一并且唯一的二進制編碼，以滿足跨語言、跨平臺進行文本轉換、處理的要求。Unicode字符編碼作為目前國際上較通用的一種編碼方式，大多數的操作系統和軟件對于Unicode碼都支持。在前期對于采用Unicode字符編碼制作的試驗字在多種制圖和數據生產軟件中的試用未發現問題。為了提高生僻字庫的兼容性，本文所述地名生僻字庫制作采用Unicode字符編碼。

1.3 字庫文件與編碼段的選擇

1.3.1 字庫文件

目前常用的地理信息系統數據生產和制圖軟件一般都可以調用Windows的FONTS字體集里的各類字體，但是每種地理信息系統軟件對數據的管理方式不同，很多軟件都采用分層分地物類的方式，在編輯注記內容時，有時會遇到一個圖層內的注記只能定義一種字體的情況，因此，在制作生僻字庫文件時可以讓一個字體文件的字符集比較完整，也就是說一個字體文件內既包括原有的常用漢字，又包括我們需要的生僻字，這樣在應用中定義字體類型時，只需要將字體定義成含有生僻字的字體，同時還不影響其他同一字體常用漢字的顯示和使用。經過測試，生僻字庫采用在原有字體基礎上重新構建字體文件的方式是一種可行的解決辦法，字庫文件存放于FONTS字體集里，使用時直接調用。

1.3.2 編碼段的選擇

目前常用的幾種使用Unicode碼的漢字字體所調用的編碼基本在“4E00-9FBF：CJK統一表意符號 (CJK Unified Ideographs)”范圍。由于現有的常用漢字體中，除了已經調用到的Unicode編碼外，其他編碼區段并未調用，經過項目前期測試的實際情況，地名生僻字庫采用 Unicode定義的自由使用編碼區域制作生僻字。選擇這一編碼段的依據主要為：

1）Unicode編碼規則中定義的一般自由使用區域為“E000-F8FF：自由使用區域(PrivateUseZone)”，這個區段中有6400個編碼位，完全滿足一般生僻字制作使用。

2）自由使用區域 (Private Use Zone)制作新字是遵循Unicode編碼的規則標準。經過測試，在這一區域制作的生僻字在目前常用的制圖軟件或數據生產軟件都能成功調用。

3）在使用自由使用區域 (Private Use Zone)制作生僻字時，不改動原有字體內的漢字集，即在原有字符集中添加編碼段制作新字。這種方式的優點在于，今后使用生僻字庫時，可以采用較靈活的處理生僻字的辦法，不會影響其他常用漢字的顯示和使用。

1.4 字體

現有的字體種類繁多，包括各式各樣的商業字體。生僻字字庫首先需要實現目前常用的幾種中文字體的制作，以滿足數據生產和地名表達時的使用需求。有特殊或數據擴展應用需求時，可以專門制作一些生僻字的商業藝術字體。在生僻字庫的字體制作方法上可以用有襯線字體 (Serif)與無襯線體 (sans serif)來區分。有襯線字體制作時注重各筆畫的粗細比、筆畫末端的修飾，制作難度要高一些；無襯線字體由于其筆畫的粗細差不多，沒有額外的修飾，制作相對容易。

2 字符采集

2.1 采集方法

目前字符的采集方法多種多樣，較傳統的方法是掃描原版字樣，數字化采集字模。這種方法通過掃描儀和圖形處理軟件從原始柵格字樣中獲取字符的矢量輪廓再調整修改，最后使用造字軟件制作成字。這種方法的缺點是生產周期較長，字模采集的過程規范化較難控制，后期處理的難度較大等，并不適合地名生僻字庫快捷生產的需求。經過相關資料收集和前期對多種造字方法的試驗，本文采用直接對已有字體再加工的方法進行生僻字字符的采集。也就是說，由于我們要做的生僻字的組成部件大部分是 Unicode中已有的，所以可以直接用已有的字體通過軟件處理，取用原始字體中已有漢字的偏旁部首，經過必要的拆解、縮放、拉伸等調整后進行組合拼接，最終得到我們需要的生僻字。

2.2 規范采集

經過對相關資料的收集整理，我們沒有找到現行的關于字體形狀的相關規定可供參考，而生僻字制作其實就是一個生成新字的過程，也是需要造出的新字美觀、統一、規范。考慮到此次生僻字制作是在各個現成的字體基礎上完成的，因此在具體作業過程中，我們以這些現成的原始字體的字形為標準，制作出的新字在字間距、字高、字寬、筆畫的習慣等各方面都應與原始字體相一致。

2.3 組字方法

通過在字庫制作過程中的經驗積累，我們總結形成以下通用的組字方法：直接拼接法、取接近字符調整組合法、取原始字修整組合法、接近字筆畫組合法等等。針對生僻字不同的結構，不同的復雜度，可以采用不同的組字方法，最后達到成品字的整體均衡、字形飽滿，保證了制作出的生僻字與原字體的筆畫形狀、字體特征相一致（如圖1所示）。

3 應用實例

基于Unicode編碼強大的兼容性，地名生僻字庫在多種軟件中都實現了成功調用，包括了目前流行的多種地理信息系統軟件，如ArcMap、Geoway等。由于地名生僻字庫具有通用性好，成果調用簡便等特點，目前已嘗試應用于地理信息軟件平臺和多個實際作業工作中（如圖2-圖5所示）。

圖1 接近字筆畫組合法

圖2 應用于地名地址庫編制

圖3 應用于地形圖符號化（AutoCAD）

圖4 應用于DLG數據編繪（Geoway）

圖5 應用于地理信息軟件平臺（ArcMap）

4 結 語

地名生僻字庫的編制完成需要建立在地名生僻字收集編錄的基礎上，完整規范的字符收錄工作才能讓生僻字庫具有真正的實用價值和開發意義。采用Unicode編碼技術的地名生僻字庫實現了在通用操作系統字體集中快捷地安裝和調用，極大地擴展了字庫的通用性和兼容性，便捷的采集方法和基于Unicode編碼的特性使其成功地應用于各類地理信息系統軟件中，實現了對現代地理信息數據應用的有力支持。

[1] 商瑤玲，張元杰，張義，等.國家基礎地理信息地名數據更新軟件系統設計與研發[J].測繪科學，2008（2）：96-97，54

[2] 胡群英，王金霞，方麗.中文字庫及其在測繪生產中的應用分析[J].信息技術與標準化，2009（04）：50-52，64

[3] 白毅，易軍凱.基于編碼的生僻漢字輸入方法理論與測試研究[J].北京化工大學學報，2007（1）：21-24

[4] 闞映紅.地圖數據庫建立和應用過程中生僻漢字的處理[J].測繪學院學報，2000（01）：42-45

[5] 徐潔.基于OpenType格式的國際音標符號和語音古籍生僻字數字化的字體設計[D].上海：上海師范大學，2010

[6] 唐小新.基于Unicode字符集數據遷移的設計與實現[J].企業科技與發展，2011（17）：22-24

[7] 楊文敬.地圖數字化過程中的生僻地名問題探討[J].浙江測繪，2006（1）：37-38

[8] 斯·勞格勞.基于Unicode和OpenType字庫的MWord的研究[D].呼和浩特：內蒙古大學，2006

Research on Database of Rarely Used Place Names Based on Unicode Encoding Method

by JIANG Min

Currently,the nonstandard usage of rarely used Chinese characters in Digital Line Graphic and Geographical Name Database severely affects the accuracy and normalization of the development and application of geographic data.This paper introduced a convenient technical means,which was based on Opentype font technology and Unicode encoding method,to create a rarely used characters database.This paper also reorganized a convenient and effective database of rarely used place names by way of this means.

place names，rarely used Chinese characters，Opentype，Unicode

2012-04-01

P208

B

1672-4623(2012)03-0121-03

江旻，工程師，主要從事測繪成果加工與研發。