拓展台灣數位典藏 » Blog Archive » 佛典數位典藏內容開發之研究與建構數位化工作流程簡介

佛典數位典藏內容開發之研究與建構數位化工作流程簡介

Tags: TEI, 影像, 掃描, 數位典藏, 數位化工作流程, 檔案, 資料庫, 資訊發表: 2008-08-08, 點閱: 4,452 , 加入收藏櫃 ,

列印 ,

轉寄

想加入的書籤:

書籤網站 http://www.hemidemi.com/

計畫單位：中華電子佛典協會執行／中華佛學研究所協辦

計畫名稱：佛典數位典藏內容開發之研究與建構

計畫簡介：

在1998年之前，經由眾人努力，網路上集結了不少佛教經典，也因此帶動佛典電子檔輸入熱潮。大家的目標主要著重於網路應用，比如將這些電子檔置放於FTP供人免費下傳，或是透過GOPHER、WWW方便使用者瀏覽，最近更在WWW上提供檢索查詢功能。另一發展是將電子檔包裝設計成電子書，使經文呈現更加精緻。所有努力，莫不希望透過網路，使佛典普及，讓更多人同霑法益，並利用電腦拓展佛典的應用範圍及閱讀方式。

有計畫之經典輸入始於網路上電子佛典討論版（BudaTech）的朋友草擬了電子版大藏經輸入計畫；後在蕭鎮國先生提供二十五冊CCCII《大正藏》電子稿，並於1997年1月6日在台灣大學佛學研究中心（以下簡稱台大佛研中心）成立25T小組後，著手進行大規模的藏經電子化作業。台大佛研中心由釋恆清法師籌募所需經費，「北美印順導師基金會」與「中華佛學研究所」全力支持贊助，於1998年2月15日假法鼓山安和分院舉辦籌備會議，並於當日正式成立「中華電子佛典協會」（Chinese Buddhist Electronic Text Association，簡稱CBETA）。1998年9月30日，CBETA更與日本「大藏出版株式會社」正式簽約，授權使用《大正新脩大藏經》，並同意其發行電子版之網路版與光碟版，使CBETA得以學術界通行的《大正新脩大藏經》為底本，完成第一冊到第五十五冊，以及第八十五冊之佛經電子化作業。

CBETA下分六組：研發組、網資組、輸校組、標記組、缺字組、財務組。研發組負責數位化過程之研究開發及製訂標記規範；網資組負責網站維護、開發讀經器、撰寫作業工具軟體；輸校組、標記組、缺字組處理所有「文字」與「標記」相關業務；財務組則管理協會之財務運作。

協會宗旨為：一、收集所有漢文佛典，以「佛典集成」為目標；二、研發佛典電子化技術，提昇佛典交流與應用；三、利用電子媒體之特性，以利佛典保存與流通；四、期望讓任何想要閱藏的人都有機會如願以償。

CBETA經文數位化工作流程圖

數位化工作流程說明

一、選定材料（執行單位：主委、總幹事）

計畫以「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《大正新脩大藏經》（以下簡稱《大正藏》）為底本（圖一），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，目前已全數完成。

圖一、《大正新脩大藏經》

現正進行數位化之藏經為《卍續藏》（圖二），預計2006年底全數完成上線。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），此乃本計畫選定材料之優先原則。

圖三、《大正藏》與《卍續藏》之關係圖

<目錄>

二、制定規範（執行單位：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。此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（執行單位：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。現因人員及成本效益考量，委託外部廠商執行，成本約每頁１.５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。而計畫之圖檔用途，提供「OCR辨識」使用，並備為「看圖校對」查看，故再將圖檔由300dpi灰階轉成TIFF-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：（執行單位：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：（執行單位：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、欄資

訊（圖六），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。

（三）OCR圖檔辨識：（執行單位：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TIFF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程式進行辨識（圖八），產出一份經文之「純文字檔」。

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（圖八）。

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（執行單位：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

此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：（執行單位：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：（執行單位：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（執行單位：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1、CBETA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