基于XML的清人小學(xué)注疏五種詞源研究 語料庫的研制和應(yīng)用

摘要：采用XML技術(shù)開展古籍專書的標(biāo)注和研究，是計算機輔助語言研究的一個新領(lǐng)域。利用該標(biāo)注技術(shù)建成的清人小學(xué)注疏五種詞源研究語料庫，對清代五部小學(xué)注疏詞源研究成果的諸多方面有著準(zhǔn)確的反映，為研究者查詢利用相關(guān)詞源研究成果提供了極大便利。該語料庫的建設(shè)能為應(yīng)用XML技術(shù)處理古籍文本，提取相關(guān)語言學(xué)知識提供借鑒。

關(guān)鍵詞：XML詞源學(xué)建模技術(shù)數(shù)字化一、引言

《廣雅疏證》《說文解字注》《爾雅義疏》《方言箋疏》《釋名疏證補》這五部清代小學(xué)注疏作品，不僅保存了歷代探索字詞源流豐富的詁訓(xùn)資料，而且能以“因聲求義”之法疏解詞義、補證理據(jù)、說解詞源，堪稱傳統(tǒng)詞源研究的一座寶庫?，F(xiàn)代先進的信息技術(shù)，為我們利用這些古籍開展現(xiàn)代詞源學(xué)研究提供了有力支撐。

我們利用XML標(biāo)注技術(shù)[1]建成了清人小學(xué)注疏五種詞源研究語料庫，該語料庫對清代五部小學(xué)注疏詞源研究成果的諸多方面有著準(zhǔn)確的反映。通過檢索該語料庫，研究者可以及時而清楚地了解：1.各家對某組語詞是否同源的判斷；2.各家論證某組語詞同源關(guān)系所征引的文獻證據(jù)和語音證據(jù)；3.各家研究古今字、通假字、異體字的情況。下文將對該語料庫的建設(shè)作詳細介紹。

二、電子文本的生產(chǎn)

清人小學(xué)注疏五種的電子文本由吾師尉遲治平教授及門下弟子共同完成，筆者為主要參與者之一。

五種文本均系手工錄入，所用底本之版本信息如下：

《廣雅疏證》(中華書局，王氏家刻本影印，1983年版)

《說文解字注》(上海古籍出版社，經(jīng)韻樓本影印，1981年版)

《爾雅義疏》(上海古籍出版社，郝氏家刻本影印，1983年版)

《方言箋疏》（上海古籍出版社，仁和王文韶紅蝠山房?？居坝。?983年版）

《釋名疏證補》（上海古籍出版社，光緒丙申刊本影印，1984年版）

我們在制作以上電子文本的過程中，以“存真”為基本原則，盡量保持典籍原貌。

所有文本文件均采用支持超大字符集的“UTF-8編碼”?！癠TF-8編碼”是國際標(biāo)準(zhǔn)超大字符集統(tǒng)一碼“Unicode”的一種變長字符編碼，又稱“萬國碼”。用在網(wǎng)頁上，可以在同一頁面顯示簡體中文、繁體中文及其他語言，其顯示范圍遠大于“ANSI”。[2]在字體選擇上，我們選擇了“宋體-方正超大字符集”和“PMingLiU-ExtB”字體，以保證絕大多數(shù)古籍漢字的正確錄入與顯示。即便如此，清人小學(xué)注疏五種中依然有少數(shù)古文字、俗字、別字、冷僻字等無法正常錄入和顯示。針對此問題，我們對古籍文本在堅持“存真”的基本原則下，用既有的漢字字形來組字造字，其組字規(guī)則及示例如下：

表1：

所用符號字形結(jié)構(gòu)說明示例

*左右結(jié)構(gòu)明： 日*月

/上下結(jié)構(gòu)皇： 白/王

@包含結(jié)構(gòu)虎： 虍@幾

﹢﹣增減部件虔：虎-幾+文

所有文本均系繁體字純文本，能夠進行字符串的全文檢索，并能夠供諸位學(xué)人根據(jù)自己需要作進一步加工或標(biāo)注。

三、清人小學(xué)注疏五種的數(shù)據(jù)建模

（一）構(gòu)建樹形結(jié)構(gòu)圖

清人小學(xué)注疏五種橫跨雅學(xué)、說文學(xué)兩大領(lǐng)域，性質(zhì)不同，體例不一，具體文檔結(jié)構(gòu)更是紛繁復(fù)雜。現(xiàn)要集合五種注疏，綜合利用，惟有求同存異，小而統(tǒng)之，粗分大類。

大致而言，五種注疏皆包含了序言、正文、附錄三個部分。正文部分包含了大量我們需要分析的語言學(xué)屬性。初步分析，五種注疏的正文部分都是篇目名和逐條小學(xué)注疏循環(huán)構(gòu)成的一個整體。

由小學(xué)原文和清人注疏構(gòu)成的單條小學(xué)注疏的內(nèi)部情況雖復(fù)雜多樣，但各個研究者都可以根據(jù)自己的研究目的，對其內(nèi)容作出自己的分析。因我們的研究主要關(guān)乎詞源研究，所以我們將單條小學(xué)注疏下面細分出一條條分析聲義同源的字詞關(guān)系斷語，字詞關(guān)系斷語下面又可以析分出數(shù)個聲義同源的同源字。

基于詞源學(xué)的研究初衷，我們畫出了清人小學(xué)注疏五種文檔的樹形結(jié)構(gòu)圖，如圖1：

圖1：文檔結(jié)構(gòu)樹形圖

（二）使用XSD Schema進行數(shù)據(jù)建模

1.設(shè)計標(biāo)記名

鑒于我們需要提取分析的語言屬性、語言知識都存儲在清人小學(xué)注疏五種文檔中的正文部分，為了文檔結(jié)構(gòu)層次的簡潔、經(jīng)濟，我們擬直接以清人小學(xué)注疏五種正文作為我們的根元素，序言、附錄等暫時被剝離，這不會影響我們工作的開展。另外，由于目前大量主流軟件尚不支持漢字標(biāo)記，我們便采用漢語拼音作為標(biāo)記。對根元素及各節(jié)點子元素的標(biāo)記分別定義如下：

清人小學(xué)注疏五種正文：qingrenxiaoxuezhushu

篇目名： pianmuming

疏證語段：zhushuquanwen

字詞關(guān)系斷語：ziciguanxiduanyu

同源字：tongyuanzi

2.編寫擴展名為“xsd”的文件

Schema是強大而靈活的數(shù)據(jù)建模工具。XML Schema的W3C的推薦標(biāo)準(zhǔn)叫作XSD，它可以準(zhǔn)確地描述文檔結(jié)構(gòu)，即定義XML文件中允許哪些元素和屬性、哪些元素和屬性是必需的、哪些是可選的、允許的數(shù)據(jù)種類以及XML文件內(nèi)容和結(jié)構(gòu)的其他方面。使用XSD建模的成品是擴展名為“xsd”的源文件。[3]該文件代表了上面我們對清人小學(xué)注疏五種文檔結(jié)構(gòu)分析的成果，既能夠鏈接到已有的XML文檔中，以驗證其文檔的有效性，也可以作為模式架構(gòu)，添加到文本編輯器中，以實現(xiàn)XML標(biāo)記的自動標(biāo)注。其源代碼本文暫略。

四、清人小學(xué)注疏五種的標(biāo)注方法

（一）添加架構(gòu)

Office2003聲稱全面支持XML，我們使用其組件Word2003中文版作為XML文檔的編輯器。雖然目前還有大量的處理XML文檔的專門軟件，但它們遠不及Word2003通用易得；特別是Word2003對超大字符集的支持功能在很多軟件中還未實現(xiàn)，也促使我們選擇它作為我們工作的軟件平臺。[4]

首先，我們用Word2003打開我們制作的清人小學(xué)注疏五種電子純文本。然后在“工具”菜單上，單擊“模板和加載項”，然后單擊“XML架構(gòu)”選項卡。單擊“添加架構(gòu)”，瀏覽并找到要添加到架構(gòu)庫中的XML架構(gòu)文件（xsd文件），然后單擊“打開”。在“架構(gòu)設(shè)置”對話框中，選擇所需的選項，在“別名”框中鍵入架構(gòu)的名稱，最后點擊“確定”完成。如圖2：

圖2：添加架構(gòu)的方法

（二）半自動標(biāo)注

添加架構(gòu)后，Word2003編輯框右邊會出現(xiàn)如下“XML結(jié)構(gòu)”任務(wù)窗格。我們可以依次在清人小學(xué)注疏五種文檔中選擇相應(yīng)元素，然后在“XML結(jié)構(gòu)”任務(wù)窗格的“選擇一種元素并應(yīng)用于當(dāng)前的選定內(nèi)容”框中單擊一個元素，完成對該元素的標(biāo)注，已標(biāo)注的元素被圖3所示紅色光帶嵌套。標(biāo)注中或完成標(biāo)注后，如文檔結(jié)構(gòu)不符合架構(gòu)規(guī)則，將會在文檔中以紫色波浪線標(biāo)記出來，并在“XML結(jié)構(gòu)”任務(wù)窗格中報告此違規(guī)錯誤。整個標(biāo)注界面如圖3所示：

圖3：標(biāo)注的方法

（三）生成XML文檔

完成標(biāo)注，且通過架構(gòu)驗證的文檔可選擇“文件”菜單上的“另存為”命令，保存為“qingrenxiaoxuezhushu.xml”文檔。為保證其他XML的軟件也能閱讀并處理我們保存為XML格式的文檔數(shù)據(jù)，我們選擇“僅保存數(shù)據(jù)”備選項。如圖4：

圖4：生成xml文檔

五、清人小學(xué)注疏五種的屬性提取方法

（一）XML與XSL的整合

XML文檔中事先標(biāo)注過的元素和信息，都可利用XML的可擴展樣式表技術(shù)加以提取?，F(xiàn)欲提取“qingrenxiaoxuezhushu.xml”文檔中的“字詞關(guān)系斷語”和“同源字”兩元素，可編寫“tongyuanzi.xsl”文檔，其源代碼如下：

清人小學(xué)注疏同源字研究資料

）

已標(biāo)注的“qingrenxiaoxuezhushu.xml”在鏈接上述“tongyuanzi.xsl”文檔后，經(jīng)IE瀏覽器解析，可直接轉(zhuǎn)換成我們需要的詞源研究資料，包括我們教學(xué)中常用的各種同族詞、古今字、通假字、異體字等方面的寶貴材料。其轉(zhuǎn)換結(jié)果如圖5：

圖5：樣式表轉(zhuǎn)換結(jié)果

（二）HTML對XML的整合

超級文本標(biāo)記語言（即HTML）是一種超文本鏈接標(biāo)記語言，依據(jù)該標(biāo)準(zhǔn)創(chuàng)建的HTML文件具有極強的描述和鏈接下級文本的功能。

為此，我們創(chuàng)建了“清人小學(xué)注疏五種詞源研究語料庫.html”文件。該文件可以順利地整合我們標(biāo)注好的五種清人小學(xué)注疏的XML文檔，并為瀏覽整個語料庫提供一個初始界面，該語料庫初始界面如圖6：

圖6：清人小學(xué)注疏五種詞源研究語料庫

六、結(jié)語

長期以來，在古漢語研究領(lǐng)域，人們最常用的計算機功能僅僅是能提高閱讀速度的全文檢索，但這無助于增進對古籍文本的理解。關(guān)系數(shù)據(jù)庫技術(shù)出現(xiàn)后，人們又將古籍文本的內(nèi)容分析為字段和記錄的形式以存儲，從而為人們獲得較系統(tǒng)的語言學(xué)知識開辟了新的途徑。但是關(guān)系數(shù)據(jù)庫往往會肢解原古籍文檔內(nèi)容的整體性，從而降低語言學(xué)典籍的可讀性。

XML有效避免了這些缺陷，它奉行數(shù)據(jù)存儲與數(shù)據(jù)顯示相分離的原則[5]，人們可借助自定義標(biāo)簽，從XML文檔中無限次地提取自己需要的語言學(xué)知識，且能在顯示上與源數(shù)據(jù)相獨立。清人小學(xué)注疏五種詞源研究語料庫的建設(shè)，是應(yīng)用XML技術(shù)標(biāo)注處理古籍文檔的一次大膽嘗試，將為應(yīng)用XML技術(shù)處理古籍文本提供寶貴借鑒。

（本文系教育部人文社會科學(xué)研究青年基金項目“清人小學(xué)注疏五種詞源研究語料庫建設(shè)及研究”的階段性成果，項目編號為[11YJC740028]）

參考文獻：

[1][3][5]Extensible Markup Language (XML) 1.0 (Fifth Edition) [JB/OL]. http: //www.w3.org/TR/REC-xml，2008-11-26.

[2]RFC 3629 - UTF-8， a transformation format of ISO 10646 [JB/OL].http://www.faqs.org/rfcs/rfc3629.html，2003-11-30.

[4]Peter G.Aitken.微軟XML技術(shù)指南[M].謝君英譯.北京:中國電力出版社，2003.

（甘勇湖北武漢 中南財經(jīng)政法大學(xué)新聞與文化傳播學(xué)院430073）