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。

<<回前頁 1 2 3 4 5 6 7 8 9 下一頁>>

相關文章

  CBETA經文數位化工作流程圖 (22.4 KB, 1,018 hits)

評分：

(No Ratings Yet)

 Loading ...