今以CBTEA開發之電子佛典作業為例，說明「台北版電子佛典計畫」的數位化工作流程如下：

　

　

　

CBETA經文數位化工作流程圖

　

    

　

　

---

　

<目 錄>

　

數位化工作流程說明

　

　

一、選定材料

　

　

執行者：工作組主委、總幹事

　

　

CBETA以「佛典集成」為目標，故前期作業以「大藏出版株式會社」授與協會使用之《大正藏》 (圖一)為底本，擇其中與漢傳佛教較為相關之第一冊至第五十五冊以及第八十五冊，主要內容有歷代漢譯之〈印度撰述部〉與中國祖師著述之〈中國撰述部〉，共五十六冊，進行藏經電子化工作。數位化工作長達三年，已全數完成。

　

圖一、《大正新脩大藏經》

　

　

繼《大正藏》後進行數位化之藏經為《卍續藏》(圖二)，已於2007年全數完成上線，現正進行《嘉興大藏經》（以下簡稱《嘉興藏》）之數位化工作。未來將持續搜尋其他漢文佛典之遺珍，納入數位化工作，以達「佛典集成」之效。

　

圖二、《卍續藏》

　

　

選定《大正藏》乃因其為國際上佛學研究之權威版本，現成電子檔與相關資源較多；《卍續藏》有極為豐富的中國祖師大德著述，深具價值；加以《大正》與《卍續》兩藏皆為鉛字排版，較適合輸入作業的進行；若集兩藏，重要的漢文佛典幾乎囊括大部份(圖三)，此乃CBETA選定材料之優先原則。

　

圖三、《大正藏》與《卍續藏》之關係圖

　

　

而如同圖三所示，在《大正藏》和《卍續藏》之外，仍有漢文佛典遺珍分散於其它藏經中，《嘉興藏》便是其中一部。儘管《嘉興藏》並非鉛字排版，但其收錄大量未收錄於前兩藏之明清漢文佛典，因此成為「台北版電子佛典計畫」首選之數位化材料。

　

---

　

<目 錄>

　

　

二、制定規範

　

　

執行者：工作組研發組正、副組長與輸校組正、副組長

　

　

為確保數位化前後環節銜接順暢，各項流程需制定作業規範以利工作遵循。這些規範來自經驗累積，且以最終目標——「XML標記」為考量。本計畫針對幾項數位化重要作業：輸入、校對、缺字、簡單標記、XML標記等，皆制定詳盡之作業規範。

　

　

(一)輸入

　

　

輸入規範包括對本文、本文以外之符號標誌，以及圖片、表格等等狀況提出規定，例如一般本文、夾注小字、段落，本文以外之頁碼、欄位、校勘符號，或是空白字元、空白行、表格、圖形、缺字……等。

　

　

(二)校對

　

　

計畫採用「檔案比對」程式進行校驗，因此校對規範著重於比對前之格式化準備，以及程式之使用方式與程序。

　

　

(三)缺字

　

　

經文中常可見非現行使用之古漢字或異體字、符號等，為一般BIG5(大五碼)系統無法辨識，故需建立一套缺字處理辦法，例如組字式規範，及以缺字資料表記錄缺字。

　

　

(四)簡單標記

　

　

簡單標記規範經文之經號、經名、作者、標題、段落…等之文字屬性。以簡單符號記錄，較 XML標記容易上手。

　

　

(五)XML標記

　

　

該計畫使用XML做為佛典電子檔的標記語言，並採用國際規範TEI(Text Encoding and Interchange)做為基礎標籤集，再依實務標記作業經驗，修訂或新增標籤，建立適用於漢文電子佛典的標籤集。

　

---

　

<目 錄>

　

　

三、原書掃描

　

　

執行者：早期自製，現委外執行。

　

　

掃描需將藏經原書或原書之影本拆卷，裁切騎縫邊，以散裝方式進行掃描。掃描要點如下：

　

　

1. 掃描。

　

　

2. 抽樣查看掃描品質——有無線條或歪斜不清者。

　

　

3. 掃描完畢後，就奇數頁與偶數頁檢查有無漏頁。

　

　

4. 編頁碼——先編奇數頁後編偶數頁，然後合併。

　

　

5. 抽樣檢查頁數正確與否。

　

　

6. 轉檔。

　

　

7. 燒錄。

　

　

8. 燒錄完成後，瀏覽檔案，若有缺漏或無法開啟的檔，加以修改或補齊。

　

　

9. 歸檔。

　

　

10. 清潔掃描器。

　

　

早期使用具備「自動送紙功能」與「自動編號存檔」之掃描器，可一次自動掃存五十頁，程式能依冊、號編名存檔。後再以圖形處理軟體快速瀏覽圖檔以檢查掃描狀況。現因人成本效益考量，委託外部廠商執行，成本約每頁一‧五元。掃描產生之圖檔(圖四)需先設為較高階影像：解析度300dpi，色彩模式灰階或黑白，以供日後依不同目的降階應用。而該計畫之圖檔用途，一供「OCR辨識」使用，二備為「看圖校對」查看，故再將圖檔由300dpi灰階 轉成Tif-g4黑白格式，檔案既小，畫質又清晰。

　

圖四、原書掃描之圖檔

　

　

---

　

<目 錄>

　

四、輸入

　

　

對於大量佛典經文的輸入，應針對不同內容，選擇採用人工輸入或是掃描圖檔辨識的方法來產生文字檔。該計畫之輸入方法有三種，分別為收集現成電子檔、人工輸入，以及OCR圖檔辨識。決策方式為：如一佛典已有現成電子檔，則該電子檔可供日後檔案比對使用；無電子檔又難以透過OCR辨識之文字，如手抄本與刻版經文，則採用人工輸入。不論使用何種輸入方式，一部經文至少需產生兩份電子檔。

　

　

(一)收集現成電子檔：

　

　

執行者：工作組網資組

　

　

早在計畫實行前，網路上已流傳許多對佛典有興趣之志工團體的輸入電子檔，或是其他佛教機構、學術單位研發之電子佛經。

　

　

現成電子檔之收集大都以流通較廣的經文為主，這些電子佛經(圖五)通常不符合計畫之規定格式(如需加註頁、欄資訊)；故收集得來之檔案在檔案比對前，還需經過格式化之後續處理。

　

圖五、《大正藏》之現成電子經文

　

　

(二)人工輸入：

　

　

執行者：委外執行

　

　

無法使用OCR辨識軟體辨識之佛經，委外交由專業承包公司進行人工繕打。

　

　

委外之前，必須事先制定輸入規範，將之交與廠商人員比照辦理。人工輸入產生之純文字電子檔，需包含頁、欄(圖六)資訊，以及依冊號順序命名之檔案名稱。人工輸入成本約每千字五十元。

　

圖六、委外人工輸入產出之電子檔

　

　

(三)OCR圖檔辨識：

　

　

執行者：工作組輸校組成員一人

　

　

1.去除雜點

　

　

經文書上常有異於文字之讀音符號與注釋標記(圖七)，嚴重影響OCR辨識之判讀結果；故掃描後之經文圖檔，須先以程式去除雜點，產生一新TIF圖檔。

　

圖七、含讀音符號與雜點之原始掃描圖檔

　

　

2. OCR圖檔辨識

　

　

將去除雜點後之新圖檔，匯入丹青公司特別為該協會量身訂作之OCR程式(圖八)進行辨識，產出一份經文之「純文字檔」。

　

圖八、丹青OCR操作介面

　

　

該程式與一般辨識程式不同處在於「丹青for CBETA」可判讀經文特有之雙排小字。

　

　

3.字串取代

　

　

使用「常錯字串取代程式」，以正確字串快速批次取代OCR後可能之常錯字串(圖九)，免除逐字校對之不便，約可提升純文字檔文字精確度至90%。

　

圖九、OCR常錯字串取代表

　

　

※進行至此，輸入步驟可能產生三種皆未格式化(未加行首資訊)之電子檔：

　

　

1). 網路收集之現成電子檔。

　

　

2). 委外人工繕打(包含頁欄資訊)，正確率約為97%之電子檔。

　

　

3). OCR辨識後，正確率90%之電子檔。

　

---

　

<目 錄>

　

　

五、校對

　

　

執行者：工作組輸校成員四人與網路校對志工

　

　

校對程序包括「加行首資訊」、「網路人工校對」、「檔案比對」、「看圖校對」、「常錯字檢查」五項。前二項為第三項「檔案比對」之前置作業，須先妥善執行，後續之比對工作才能順利完成。

　

　

(一)加行首資訊

　

　

加行首資訊屬於格式化作業。行首資訊用於記錄每行電子經文在紙本經書上之相對位置，此舉不僅幫助後續之標記處理，也嘉惠學術引用之便。

　

　

將含有「頁欄資訊」之未格式化經文純文字檔匯入「加行首資訊程式」，執行後稍加編輯即可產生包括冊數、經號、頁、欄、行等資訊之新純文字檔。內容格式如下：

　

　

例：　T10n0279_p0070a04║　菩薩在家　　當願眾生　　知家性空

　

　

T10n0279_p0070a05║　免其逼迫　　孝事父母　　當願眾生

　

　

T10n0279_p0070a06║　善事於佛　　護養一切　　妻子集會

　

　

T：大正藏 10：冊數 n0279：經號

　

　

p007：頁 a04：a欄(第一欄)第4行 ║：分隔符號

　

　

經此步驟，所有純文字電子經文皆已格式化成CBETA所需格式，即可進行下階段之數位化工作。

　

　

　

(二)網路人工校對

　

　

OCR產出之電子經文純文字檔經字串取代後，正確率僅達90%。若將之與另一電子檔(如人工輸入檔)比對，勢必差異數量龐大，需動用大量人力方能完成校對程序。

　

　

CBETA有一「網路校對」機制，即於網路上徵集志工約九百人，投入線上一人一頁分工校對行列。線上校對程序為：

　

　

1. 上CBETA網站(http://www.cbeta.org/index.htm)申請登記。

　

　

2. 提領經文之純文字檔與圖檔。

　

　

3. 利用看圖校對程式對純文字檔進行逐字校對。

　

　

4. 回傳CBETA。

　

　

看圖校對程式係該協會之程式設計師開發設計，校對者可同時閱覽純文字檔與其相對之圖檔，達成看圖替代翻書之快速校閱。

　

　

網路校對後之OCR經文，正確率可提升為98%。

　

　

(三)檔案比對

　

　

傳統人工校對，即使四校或十校，總有無法避免的死角。該計畫利用電腦檔案比對，即同一份經文內容，由兩個版本予以輸入，然後以檔案比對程式找出兩者差異，再以看圖校對方式進行訂正，產生一份超越一般人工校對水準之經文檔。

　

　

首先，收集兩份同一經文但輸入來源不同之純文字電子檔。若有一頁一頁的小檔，可利用「檔案合併程式」，將兩檔各自所含小檔之純文字檔案合併成大檔，以利文書編輯處理及後續比對作業的進行。

　

　

將合併成大檔之兩檔匯入「檔案比對程式」(圖十)，執行第一次兩檔比對。比對後產生一個主要差異檔。以《大正藏》而言，平均每冊約產生兩萬個差異。

　

圖十、檔案比對程式

　

　

(四)看圖校對

　

　

比對後之差異檔，交由兩位熟識經文之經驗人員各自利用SeeCheck「看圖校對程式」(圖十一)，以差異檔比照原書掃描圖檔予以訂正。

　

圖十一、看圖校對程式介面

　

　

該兩位人員訂正後交回的兩份校對完成檔，再以程式執行第二次檔案比對，比對後會產生一數量較小之差異檔。將此差異檔交由一位人員進行最後把關，方法也是以差異檔比照原書掃描圖檔看圖校對。

　

　

(五)常錯字檢查

　

　

校對最後的工作重點是對於任何值得疑慮的字元，我們將之列入「常錯字參考表」(圖十二)，並透過程式對檔案進行取代，形成差異以利用看圖方式來校對。這個概念是我們對看圖校對程式的充分應用，可以發揮事半功倍的效果。

　

圖十二、常錯字參考表

　

　

---

　

<目 錄>

　

六、標記

　

　

(一)簡單標記I

　

　

執行者：工作組輸校組成員兩人

　

　

標記，是針對已完成校對文件之進一步編輯作業。在進入正式XML標記之前，輸校組需對經文段落加上適當標記，成為「簡單標記版」的經文電子檔。

　

　

這一套簡單標記，目的是把經文當中 「經號 N」、「經卷 Jj」、「品D」、「著者 A」、「譯者 Y」、「序 X」、「偈頌Ss」、「咒語 Z」、「附文 W」、「段落 P」、「其它標題 Q」、「行中小段落 Ｐ」…等，以簡單符號標示區分出來，方便電腦認識經文各段落之不同屬性，並能加以進一步運用。簡單標記主要是在行首資訊後的三欄「_##」標記欄位置中標示出來(圖十三)，或標記於經文中的「行首」、「行中」、「行尾」。

　

圖十三、第一次簡單標記產出之純文字檔

　

　

(二)簡單標記II

　

　

執行者：工作組輸校組組長

　

　

第二階段簡單標記之重點工作為「架構經文標題層次」(圖十四)。此自訂標記可讓電腦認識整篇經文之章節架構，如：

　

圖十四、經文之標題層次架構

　

　

---

　

<目 錄>

　

七、缺字處理

　

　

執行者：工作組缺字組長

　

　

CBETA以「BIG5(大五碼)」加上「組字式」作為記錄缺字的基礎。

　

　

使用一般組字式來表達佛典缺字的方法，是考量使用者能在純文字環境下閱讀，不需另外安裝造字檔或圖檔而設計的，這種方式提供了閱覽、散播上的便利性，也不會佔用使用者對造字檔自行運用的空間。

　

　

該組字法含「*」、「/」、「@」、「-」、「+」、「?」六個半形基本符號，及「(…)」、「[…]」兩組半形分隔符號。

　

　

舉例說明如下：

　

　

表一、CBETA組字式規則

　

　

　

記錄缺字後，並將缺字相關資訊，包括注音、筆畫、部首、通用字、Unicode…等建構成漢文佛典缺字資料庫(圖十五)。

　

圖十五、缺字資料庫畫面

　

　

---

　

<目 錄>

　

八、XML標記

　

　

執行者：工作組標記成員兩人

　

　

經簡單標記、缺字處理後之經文，以程式(圖十六)將簡單標記經文(圖十七)轉為XML TEI標記經文(圖十八)。

　

圖十六、簡單標記轉換為XML標記之程式流程圖

　

                                                               圖十七、簡單標記經文

  

 圖十八、XML TEI標記經文

　

　

之後仍需做語法檢查及人工編輯，最後以程式將XML版輸出與簡單標記版相互比對。

　

---

　

<目 錄>

　

　

九、應用服務

　

　

(一)成品光碟與網路服務

　

　

執行者：工作組網資組長

　

　

該計畫利用標記完成之經文，轉換成普及網路版放置網路上供大眾免費瀏覽、檢索與下載(圖十九)；此外，CBETA每年發行一萬份電子佛典光碟(圖二十)，光碟含有優異檢索及閱覽功能的 CBReader(圖二十一)，提供免費索取，與大眾結緣。

　

圖十九、CBETA網站

圖二十、CBETA每年發行之光碟

圖二十一、優異檢索及閱覽功能的CBReader

　

　

(二)經文修訂

　

　

執行者：工作組輸校組長、標記成員兩人

　

　

儘管經文已上線、壓光碟，仍需不斷查證相關資料以確認讀者及內部作業發現之經文用字問題，並執行經文資料庫之修訂，包括簡單標記版(圖二十二)及XML版(圖二十三)，兩者必須同步修訂；期望透過修訂，提升經文資料庫之品質。

　

圖二十二、簡單標記版修訂

圖二十三、XML版修訂

　

　

(三)應用發展

　

　

執行者：全體工作人員

　

　

除生產預定經文典籍外，CBETA也亟欲推廣與經文資料庫相關之應用及技術，例如漢字工具(圖二十四)、新式標點、通用詞庫、相關字(辭)典、藏經目錄資料庫、各版藏經經文對照資料庫…等。

　

圖二十四、漢字工具

　

　

※ 製作單位：數位典藏與數位學習國家型科技計畫

拓展臺灣數位典藏計畫 數位內容建置與整合子計畫

中華電子佛典協會

法鼓佛教研修學院

　

　

※ 文字修訂：法鼓佛教研修學院「台北版電子佛典計畫」陳以儒 修訂

拓展臺灣數位典藏計畫 數位內容建置與整合子計畫

─ 文獻與檔案主題小組助理 陳美智 修訂

　

　

※ 圖片拍攝：法鼓佛教研修學院「台北版電子佛典計畫」陳以儒 修訂

　

※ 圖片提供：法鼓佛教研修學院

　

※ 圖文編輯：法鼓佛教研修學院「台北版電子佛典計畫」陳以儒 修訂

　

　

致謝：

感謝「台北版電子佛典集成之研究與建構」計畫共同主持人杜正民老師、法鼓佛教研修學院陳以儒先生，撥冗指導及提供實地拍攝與簡介修訂。並感謝法鼓佛教研修學院其餘相關人員之協助。

　

　

---

　

<目 錄>

　

  全文下載 (1.1 MB, 1,421 hits)

評分：