無論欲進行數位化材料之數量多寡，或是計畫之規模大小，數位化都是一項所費不貲且耗時耗力的工作；因此，事前的籌劃評估與準備，不容小覷。

    實際進行文字數位化工作之前的準備作業有兩項，第一為「選定材料」，此工作涉及對於既有材料之瞭解與整體目標之規劃，第二為「制訂作業規範」，有助整體作業之執行成效與品質管理。

 
一、選定材料

    根據數位化目的之不同，數位化材料之選擇標準亦各有異，加上每個計畫經費不一，且多有限，故選擇數位化材料時，應事先考量文物數位化之優先順序，使得人力經費之支出能達到最佳成效。文物數位化之優先順序【2】，可依照珍貴性、重要性、成本效益等程度，概分為以下六項：

1.典藏品的評等度，如國寶、重要古物等教育部標準、機密程度等等。

2.典藏品的珍貴度，例如文物具有獨創性、稀有性、時代價值、不可替代     

性等因素。

3.典藏品的保存難易度，包括脆弱、無法複製拷貝、有消失之虞等考量。

4.數位化後之成本效益。

5.數位化後在研究、教育、經濟等能面的應用價值。

6.其他。

    此外，版本的選擇在全文數位化工作裡，也佔有很大比例的關注與考量。當知識近入書寫時代，印刷術尚未發明之前，書籍多以人工抄錄的方式傳承接遞，故常有抄錯、漏抄之時，即使進入鉛字排版時代，還是會有會錯意、選錯字的情況發生；而且傳統中國頗為重視各類書寫文獻，不僅歷代君王，亦含文人雅士、學者志士，重視書籍文獻之考察與典藏，官修、私修之史書總集亦多，從三國時代的三史、十三代史到乾隆皇帝欽定之二十四史，可見史書典籍因年代版本不同有收錄、記載之差異，是協助研究學者進行分析研究之重要線索。此外，數位化的重製作業關係藏品與成品之著作權法，若能請求著作權授權，則可順利進行數位化；若無法取得，或可更換可以取得授權之版本，否則必須重新揀選材料。

（二）數位化材料清單之建立

    選定即將進行數位化之書目後，應建立一份完整詳實的待輸入書目清單。因為數位化的物件為書籍，故以書目之最小集合單位冊或卷為列入清單的基本單位，一冊書即著錄一筆資料，每筆資料所記載的內容應包含以下出版資訊：

1.書名

2.作者名

3.出版地

4.出版社

5.出版年限

6.版本

除上述出版資訊外，亦須記載書目之數量，並且妥善保存此書目資訊（如表2），作為之後進行數位化工作之憑據。

表2、中央研究院歷史語言研究所漢籍全文資料庫待輸入書單

　

　

  

                       

    為確保數位化前後環節銜接順暢，產出成果之品質穩定，需制定相關作業規則與檔案格式，以供遵循與評量。

大多數計畫或單位之規範制定，參考同業已訂立之標準，其他則來自自身經驗的累積，不過制定規範還是以滿足個別計畫之最終目標為最高準則，並非一字不漏、全部採用他人作法。雖然作業規範依計畫目標有所歧異，之間仍有些許共同原則，以下介紹各項數位化作業之工作規範與檔案規則參考。

（一）數位影像檔案規格

    提供文字繕打輸入之底本有二種，一為掃描原書製成之數位影像，二為影印原書製作之複本。

    掃描原書之圖檔，除可用於繕打輸入與校對用途，還可於之後資料庫建置時，將圖檔與相對應之電子全文連結，成為全文與影像資料庫。關於數位化影像之規格設定，數位典藏國家型科技計畫區隔數位化檔案規格為瀏覽級、商務級與典藏級三級：

1.典藏級圖檔：目的為永久典藏，影像品質不失真，詳實反映原件狀況。

2.商務級圖檔：目的為提供未來之加值應用，如出版、印刷、複製、交換或販售，影像品質須符合印刷之要求。

3.瀏覽級圖檔：目的為展示於網路上，影像品質須符合電腦螢幕瀏覽及網路傳輸之要求。

    典藏級的影像解析度為人類眼睛鑑別影像最高值的300dpi，格式為適用不同軟體、平台，壓縮不失真，適合作為原始檔之TIFF檔。商務級的解析度同樣為300dpi，影像格式則是高效壓縮使得檔案變小之JPEG檔，容易造成影像細節流失。瀏覽級之影像解析度則為便利傳遞，再利用價值低之72dpi，影像格式為JPEG。三者的色彩模式則都為RGB（24bit/pixel）。（表3）

表3、數位典藏國家型科技計畫數位化檔案格式

	瀏覽級	商務級	典藏級
檔案格式	JPEG	JPEG	TIFF
色彩模式	RGB(24bit/pixel)	RGB(24bit/pixel)	RGB(24bit/pixel)
解析度	72dpi	300dpi	300dpi

    有鑒於全文數位化之掃描圖檔可能使用於不同目的，故原始掃描圖檔應設為高階的典藏級，即300dpi的TIFF全彩檔，以便日後降階應用。

    另外，也有單位使用影印的副本作為繕打輸入之底本，影印之影像大小則依據原書字體大小與清晰度，決定比例大小。

（二）數位檔案命名原則

一旦執行掃描，產生數位影像之後，便需一一替檔案個別命名，以便利數位資料之管理與檢索。

使用檔案命名字元時，為確保檔案名稱能夠符合不同作業平台之讀取格式，應注意一般檔案命名事項：

1.以小寫英文字母與數字做為檔案命名之編碼組合。

2.避免使用%、/、?、#、*、-等特殊字元。

    除了一般性原則之外，亦需依照數位化物件之媒體類別與不同特性，額外增加能夠突顯物件特性之命名規則。掃描圖書典籍而產生之數位化影像，其檔案名稱包含三種層次，圖書代碼、冊卷號、頁碼。其中頁碼為檔名，副檔名為.tif。

    例：aaaaaooozzzzzzzz.tif

        aaaaa=圖書代碼；

        ooo=冊次號；

        zzzzzzzz=頁碼。

1.第一層：圖書代碼

   長度不固定，計畫單位可自行設定，建議皆為數字。

2.第二層：冊卷號

   長度固定為三碼，皆為數字。

3.第三層：頁碼

   (1) 檔名長度共8bytes，依原書內容頁碼編頁。

       例：第一頁 → 00000001.tif。

   (2) 封面頁碼固定為c0000001.jpg，倘若為平裝書加工精裝者，以原平裝

       書之封面為主。

   (3) 原書內文頁碼第一頁前面與內文頁碼不連貫之各頁（即非正文部

份），如序、目次等，可於非正文部份起依序計數，並於頁碼第一位

加上英文小寫字母“a”以區別之，如：a0000001.tif，a0000002.tif…

   (4) 內文後面多出且與內文頁碼不連貫之各頁，如附錄、圖表、參考資

          料等，可於非正文部份起依序計數， 並於頁碼第一位加上英文小寫

字母“ b ” 以區別之， 如：b0000001.tif，b0000002.tif…

   (5) 原文編有頁碼之空白頁或廣告頁，仍依原順序編碼掃入。

   (6) 原文未編頁碼且為多餘之空白頁，則予以跳過不掃。

(7) 內文中之插頁，若未編頁碼，則以接續前頁之編碼後加“_”編入。如：在86 頁至87 頁間插頁2 頁但未編碼， 則以“ 000086_1.tif ”、“000086_2.tif”編號。

   (8) 原文若分左、右版面頁碼者，左版頁碼需以小寫L區別，右版頁

       以小寫R區別。如：頁左133→檔名為l0000l33.tif

                         頁右12→檔名為 r0000012.tif

   (9) 正文若同時有兩組頁碼標示者，例如一組各章節從1編頁，一組為

         總頁碼者，則掃描取該書冊目次所標示之頁碼為準【3】。

（三）人工輸入規則

    執行人工輸入之前，必須建立輸入規則。除了內文的文字，本文以外之符號標誌、圖片、表格、夾注小字、段落、頁碼、欄位、校勘符號，以及空白字元、空白行、圖形、系統缺字……等，都需明確標示著錄格式，如：

1.頁碼、欄位：每欄開始都要以半形英數先輸入一行pxxxxn，xxxx為四位數，n為a（上欄）或b（中欄）或c（下欄）。

2.序及經卷名：行前不留白。

3.作者及譯者名：行前留四個全形空白。

4.正文：行前不留白。

5.正文夾註小字：以一組半形( )前後包括。

  例                   輸入為：十一月(二段)

　

  

6.雙行夾註小字：同樣以一組半形( )前後夾住，需注意文字走向。

  例                    輸入成：望江南(三寶三段送佛一段)

　

　

　

7.空行：隨文中空行。

8.空格：按書面空格輸入全形空白字元。

9.圈點：隨圈點處輸入「。」。

　

例        輸入為：身所居。二自受用土。自受

　

　

　

10.校勘符號：採兩位數半形阿拉伯數字與中括號

例            輸入為：相[01]把成陰陽。

　

　

　

11.特殊符號：以相似全形符號表示。

例             各輸入成：有一○為千

                                                                                                                         ▲洪州黃

                                                                                                                         還。無□    

　

　

12.圖形：以【圖】表示。

　

　

例                輸入為：【圖】第七末那識

　　　                                           轉平等性智

　

　

　

　

13.缺字：如果可以用組字式或構字式（下一小節將介紹）表示，即示之；若模糊或是難以表達之處，可統一暫以全形●表示【4】。

　

    因為每種文獻的排版、書寫、或語法等書籍體例各有不同，應根據各書籍體例以及數位化目標，制定適合個別體例之人工輸入規範。不過大致上，關於全文輸入，還是有以下幾基本大原則：

1.依照書中原文輸入，內文不清楚處，不做模糊判斷，待專業人士進行判斷2.同原書換行位置折行。

3.由於古文書多無標點符號，輸入時只進行斷句，不加註新式標點符號。

（四）新增缺字系統

漢字發展過程裡，因為地域、時代或其他因素，衍生了一字多形（例如「眾」與「?」），無法窮舉之特色，所以現有的電腦交換碼一旦用來處理古籍或佛典、道藏等文獻，缺字問題即層出不窮。缺字的根本及務實的解決之道，應該在現有的編碼方法下，根據漢字的構形規則，針對這些為數眾多但又不常出現的漢字，提出一套有效的編碼方法【5】。

目前國內有兩種缺字組字標準，其一是最為廣泛使用的缺字系統──中央研究院研發之漢字構形資料庫【6】。漢字構形之基本構字單位稱作部件，也就是一個用來構造其它字的形體。如「日」、「京」是「景」的部件，「景」、「頁」是「顥」的部件，而「顥」是「灝」的部件。

　　部件還有層次，例如「顥」可拆分成「景」與「頁」，「景」又可拆分成「日」和「京」。漢字最常用的拆分方式為橫連（ ）、直連（ ）與包含（ ），因此，「顥」等於「景」 「頁」，「景」等於「日」 「京」，「圍」等於「囗」 「韋」。另外為了輸入方便，也造了一些方便符號，表示相同部件之排列方式，如兩個「克」橫連的「兢」等於「 克」，兩個「戈」直連的「戔」等於「 戈」，三個「車」呈三角形狀排列的「轟」等於「 車」，四個「火」呈四角狀排列的「燚」=「 火」。而無從以構字式拆解之字形，則可使用從缺符號「 」表示（表4）。
                        

　

　

其二為中華電子佛典協會在進行佛典的數位化工作時，以中央研究院之漢字構字式為底本，獨家研發出該單位特有之組字式規則。相較於中央研究院之漢字構字式以部件作為基本構形單位，中華電子佛典協會是以BIG5（大五碼）系統字作為組字之基本單位，故無造字問題，使用者無需另外安裝造字程式或圖檔，即可讀取組字式。

    組字式採用數學裡的加減乘除四則運算符號來表示，共使用十個符號。這十個符號，其中七個──「*」、「/」、「@」、「-」、「+」、「(」、「)」，用來表示字的左右上下分合關係；問號「?」，表示某字無法用組字方式表示的部分；另外二個半形符號「[]與「」」，表示組字式的起迄【7】（表5）。

　

表5、中華電子佛典協會組字式規則

符號	說明	範例
*	表橫向連接	明＝日*月
/	表縱向連接	音＝立/日
@	表包含	因＝囗@大　或　閒＝門@月
-	表去掉某部份	青＝請-言
-+	若前後配合，表示去掉某部份， 而改以另一部份代替	閒＝間-日+月
?	表字根特別，尚未找到足以表示者	背＝(?*匕)/月
（）	為運算分隔符號	繞＝組-且+((土/(土*土))/兀)
[]	為文字分隔符號	羅[目*侯]羅母耶輸陀羅比丘尼

　

上述兩種組字規則，前者多為政府機關單位與中央研究院院內開發之資料庫所採用，是台灣發展最早之構形系統；後者則為中華電子佛典協會獨用，它簡化了漢字構形之複雜度，協助繕打人員輕鬆組織缺字。此外，政府也研發一套國家標準中文交換碼方案，並由行政院主計處電子處理資料中心建置「CNS11643中文標準交換碼全字庫」， 以解決個人電腦中文字數不足與自行造字問題，不過，除政府機關與戶政單位採用此系統外，一般民間乏人問津。

（五）通用標記語言

    標記（Mark up），是在稿件或文章上加上的記號，以記錄各種不同的資訊。為避免自創造標記系統影響資料交換之互通性，國際間很早就開始建立通用的國際標準。西元1986年，發明了最早的標記語言SGML（Standard Generalized Markup Language，標準通用標記語言），它定義了如何描述一組標記標籤（tag）的規則，但由於它相當的複雜，因此應用並不十分普遍。其次是紅遍半邊天的HTML（Hypertext Markup Language，超文字標記語言），HTML是SGML的一種應用，以其簡單易用的語法隨著網際網路的興起而盛行，世界各地不同語言、文化、電腦作業平台之間，得以藉由HTML這個標準的共通語言相互溝通，地球村的資訊交流達到前所未有的迅速與廣度。
然而HTML的缺點─正是它的優點─也漸漸的浮現，HTML不再能滿足網際網路上許多新興的需求。SGML夠強卻太複雜，HTML夠簡單卻不夠強大，於是標記語言的專家又為設計了一套既強大、又不太難、且適用於網際網路的標記語言─XML（eXtensible Markup Language，可延伸性標示語言）。

標記主要可應用於兩類，一類是關於「排版或顯示格式」的標記，另一類則是關於「資料結構或內容」的標記。例如最為大眾熟悉之標記語言HTML（HyperText Markup Language），可能會有如下的用法：
佛教資料電子化技術探討－以< b >中華電子佛典協會< /b >為例。

在這裡，< b >……< /b >表示「中華電子佛典協會」這些字要加粗體字（bold）顯示，這是第一類關於「格式」的標記。而關於「內容」的標記，可能為如下用法：
史記
< byline type="Author">司馬遷< /byline >
                   

這裡的< byline >……</ byline >標出史記之作者（author）馬遷。這種將「顯示格式」與「內容」分離的做法，能讓電腦「看懂」經文【8】。

    有了共同的標記語言XML，標記格式如出一轍，可用同樣的標記語言、標記格式來定義各自不同的標籤名稱，例如要標出一個段落，可以有如下數種不同的標法：
                  

1.< p >……< /p >

2.< para >……< /para >

3.< 段落 >……< /段落 >
               
這些都是符合XML標準的標記，但在資訊交換上將會造成問題，需要增加一道標記轉換的手續。如果能有共同且統一規格之標籤名稱，這個問題就可以解決。　　  

     除此之外，早在SGML時代就有一個TEI（Text Encoding Initiative，文件符碼化）專案，研究各種不同西方文獻，整理出一套標籤集（Tag Set），希望獲得各方採用而促進電子文獻的分享交流。由於TEI的標籤集是根據文獻所歸納制訂，與SGML、HTML、或是XML相比，忠實反應了文獻的內容與架構，例如完整書目資訊、文獻及其來源之關係和版本、使用語言等，都有特定之標籤，足以滿足文獻標記之需求。本文將於第伍章──後設資料建置，概述TEI之基本介紹與操作守則。 (目錄)

---