警惕“μg”變“mg”，融合出版時代字符變換問題探索
——以Symbol字體為例

李 梅，李 鵬，王葉青，律 琦，劉 爽，董文革*

(1.中國醫(yī)學(xué)科學(xué)院血液病醫(yī)院(中國醫(yī)學(xué)科學(xué)院血液學(xué)研究所)，國家血液系統(tǒng)疾病臨床醫(yī)學(xué)研究中心，《中華血液學(xué)雜志》雜志社 天津300191；2.天津市醫(yī)學(xué)科學(xué)技術(shù)信息研究所，《天津醫(yī)藥》編輯部 天津300070)

我們在數(shù)字出版活動中發(fā)現(xiàn)一個現(xiàn)象：Word、排版小樣、PDF中均編輯校對無誤的文本“鐵蛋白100μg/L”，發(fā)布在PubMed Central平臺上竟然變更為“鐵蛋白100mg/L”，而其中并無任何人為的文本調(diào)整，僅僅為XML文件面向不同平臺的輸出。那么該差錯是從何而來的呢？為何在沒有任何更改的情況下文本發(fā)生了變化？我們進行探究并發(fā)現(xiàn)了原因：Symbol字體中“μ”的16位編碼為[006D]，而普通文本采用的Unicode編碼中[006D]為英文小寫“m”，由于Symbol字符集編碼未編入Unicode，一旦出版平臺的解碼設(shè)備無法對Symbol字符進行解碼，則會將Symbol字符編碼的[006D](即Symbol字體的“μ”)，誤用Unicode編碼讀取為“m”，便發(fā)生前文所述的差錯。而目前，期刊編輯部的編校流程仍局限在Word到PDF的傳統(tǒng)出版階段，尚未有針對數(shù)字出版環(huán)節(jié)的審校流程，XML文件之后的融合出版環(huán)節(jié)缺乏有效監(jiān)控，易導(dǎo)致該類差錯的出現(xiàn)。因此，本研究試圖梳理數(shù)字出版階段的字符變換問題，并提出一些解決辦法，望同仁警惕。

1 概念與問題

1.1 字符編碼與Unicode編碼

由于計算機內(nèi)部只認(rèn)識二進制代碼，文字必須編碼為二進制代碼。計算機最基本的存貯單位為字節(jié)，每個字節(jié)存貯8個比特(即8個二進制位)，所以，一個字節(jié)能表示的整數(shù)個數(shù)為28＝256個，表示的范圍是0～255，據(jù)此制定出ASCII編碼用來表示大小寫英文字母、數(shù)字和一些符號。英語用256個字符完全是足夠的，但是用來表示其他國家語言，256個字符遠(yuǎn)遠(yuǎn)不夠。類似如表示中文漢字要7000多個，顯然1個字節(jié)不夠，至少需要2個字節(jié)，于是中國制定了GB2312、GBK編碼，日本制定了Shift-JIS編碼等。然而不同編碼體系之間的轉(zhuǎn)碼常常會因各種問題出現(xiàn)亂碼與錯碼現(xiàn)象，為了解決不同編碼的轉(zhuǎn)碼問題，最大程度將自己的產(chǎn)品做到國際化，使之能很容易接收各國的語言，Unicode編碼應(yīng)運而生[1-2]。Unicode編碼就是將所有的語言文字符號都編入其中，并為每種語言中的字符設(shè)定了統(tǒng)一的二進制編碼，來滿足跨語言、跨平臺進行文本轉(zhuǎn)換、處理的要求。每個符號對應(yīng)一個唯一的編碼，亂碼問題就不存在了。Unicode每個字符有16個位寬，表示世界上計算機通信所有的文字和符號，其中漢字Unicode編碼范圍為[3400，9FD5]，英文小寫編碼范圍為[0061，007A]，英文大寫編碼范圍為[0041，005A]，數(shù)字的編碼范圍為[0030，0039]，希臘文的編碼范圍為[0391，03C9]。

1.2 Symbol字體與希文字符

Symbol字體是微軟公司開發(fā)的非正文字體，多用于數(shù)學(xué)公式中，包括希臘字母、數(shù)字、運算符、集合符號和其他符號[3]。Symbol字符集共有224個字符，從Symbol 32起始編碼，字符代碼為[0020]，為“空格”字符，希文大寫的編碼范圍為[0041，005A]，希文小寫的編碼范圍為[0061，007A]。雖然它的很多符號已經(jīng)在多個系統(tǒng)中可調(diào)用，但由于該字符集沒有被編入Unicode，導(dǎo)致很多僅采用Unicode編碼架構(gòu)的網(wǎng)站并不能有效識別Symbol字體。比如生物醫(yī)學(xué)最重要的數(shù)據(jù)庫Medline，為了解決可能出現(xiàn)的轉(zhuǎn)碼問題，將所有的希文表述替換為拉丁字母(如將TNF-α替換為TNF-a)或希文的拉丁文全稱(如將κ/λ替換為kappa/lambda)。很多非微軟公司開發(fā)的產(chǎn)品，多不帶有Symbol字體，如WPS for Linux打開含有Symbol字符的doc文件，會提示“系統(tǒng)缺失字體Symbol、Wingdings、Wingdings 2、Wingdings 3、Webding”。然而科技論文的撰寫常需要使用希文字符，由于默認(rèn)的文本字體通過鍵盤不易方便獲得希文字符，而期刊對作者如何鍵入希文字符缺乏要求與指導(dǎo)，導(dǎo)致如何輸入希文字符常會困擾作者。如果作者通過【插入】＞【符號】，選擇字體Symbol來鍵入希文字符，Word文本中便插入了Symbol字符。

1.3 字符變換的產(chǎn)生機制

如前文所述，在Word中，Symbol字體的編碼體系獨立于Unicode編碼，導(dǎo)致不同字符集存在字符代碼共用的情況，如圖1所示，Symbol字體中“μ”的字符代碼為[006D]，而普通文本字體中“m”的字符代碼同樣為[006D]，兩個不同字符共用一個編碼。我們所見的“μ”在計算機中的傳輸信號為[006D]，當(dāng)接收文件的平臺/軟件無法解析Symbol字體時，便將[006D]讀取為“m”輸出至顯示設(shè)備，發(fā)生“μ”到“m”的字符變換。試想，如果作者Word的中敘述為“A藥的劑量為100μg/d”，而網(wǎng)站最終展示為“A藥的劑量為100mg/d”，可能造成極大危害。

圖1 Word插入菜單“符號”界面的symbol字體與普通文本字體Fig.1 Symbol font and normal text font in“Symbol”interface of Word insert menu

2 防范措施

2.1 呼吁作者規(guī)避使用Symbol字符

由于Medline數(shù)據(jù)庫并不支持Symbol字體，首先應(yīng)避免作者使用Symbol字符。通過微信、官網(wǎng)、郵件等形式提示作者避免使用Symbol字體，如果作者插入了Symbol字符，則需要替換為拉丁文本。為此編輯部宜在寫作指導(dǎo)中告知作者鍵入拉丁文本中“μ”的方法。

方法一：在【符號】界面，字體選擇“拉丁文本”，子集選擇“希臘語和科普特語”，下拉找到字符“μ”，雙擊鍵入文本中，見圖2(a)。然而由于文本字符集過大，查找難度大、耗時長，此方法效率較低。

方法二：通過輸入編碼+快捷鍵的方式快速得到所需字符，如“μ”的Unicode編碼為[03BC]，直接在Word中鍵入03BC，然后選中該編碼，使用快捷鍵“alt+x”可快速獲得字符“μ”，見圖2(b)。該方法效率高于方法一，但是需要了解每個字符的具體編碼，故適用于熟悉該字符編碼的情況。

方法三：利用Sogou輸入法，筆者一般通過Sogou輸入法，在輸入框輸入“miu”，即可在結(jié)果欄中看到字符“μ”，選中對應(yīng)數(shù)字鍵入即可，見圖2C。其他希文字符輸入對應(yīng)希文的拉丁全稱或縮寫均可鍵入。也可在當(dāng)前輸入法為Sogou輸入法時，按“shift+ctrl+z”快捷鍵，在“希臘/拉丁”列表中選擇“μ”，見圖2(d)。

圖2 鍵入Unicode編碼希文字符“μ”的幾種方法Fig.2 Several ways to type Unicode Greek character“μ”

2.2 編輯過程注意發(fā)現(xiàn)Symbol字符并及時換

由于Symbol字符不受Unicode編碼的文本字體控制，在編輯過程中可以通過改變希文的文本字體來鑒別是否為Symbol字符，如圖3所示，Unicode編碼的“μ”字體外觀可受控制，不同字體下的外觀有所差異，筆者常用“blackoak Std”字體進行鑒別，而期刊常用的“Georgia”與“Times New Roman”字體與Symbol編碼字體最為接近，識別難度最大。若編輯在處理文本之初首先進行字體規(guī)范，將不利于Symbol字符的識別，因而建議先通過“blackoak Std”等字體觀察全文文本，若有不受控制的希文或其他字符，則應(yīng)高度警惕該字符并非Unicode編碼。此外，編輯還可通過將Word文本復(fù)制到不支持顯示Symbol字符的平臺進行鑒別，如txt(顯示為空白)、WPS for Linux(提示字體缺失)、PS(提示字體缺失)、R(顯示為空心方框)等。

圖3 Unicode編碼與Symbol編碼字符“μ”的不同字體Fig.3 Different fonts for Unicode and Symbol encoding character “μ”

2.3 平臺開發(fā)過程注意兼容非Unicode編碼

在編輯部開發(fā)網(wǎng)頁版頁面、epub文檔、APP、微信小程序等多媒體平臺時，需注意與工程師溝通部分文本可能非Unicode編碼，建議開發(fā)平臺的過程中嵌入Symbol、GBK等多個編碼解碼器，保證非Unicode編碼的文本能在終端正常顯示。

2.4 數(shù)字出版終產(chǎn)品應(yīng)建立質(zhì)量控制機制

目前，絕大部分?jǐn)?shù)字出版物的數(shù)字化加工質(zhì)量檢查都無編輯人員參與，技術(shù)人員的質(zhì)量檢查重點在于發(fā)現(xiàn)亂碼，圖注、表注、上下角標(biāo)缺失，正斜體不統(tǒng)一，圖文位置不正確，鏈接失效等問題[4]，對涉及學(xué)術(shù)內(nèi)容的“μg”與“mg”等編校問題缺乏敏感性。期刊編輯部應(yīng)加強數(shù)字出版終產(chǎn)品的質(zhì)量檢查，總結(jié)質(zhì)量風(fēng)險點，建立包括編校、技術(shù)等相關(guān)環(huán)節(jié)的質(zhì)量控制機制，做到全程留痕、有據(jù)可查，從內(nèi)容、技術(shù)和項目整體上保障各個形態(tài)數(shù)字出版物的文本一致。

3 結(jié) 語

希文字符在科技文獻中使用較多，然而通過Symbol字符鍵入的希文字符編碼未編入Unicode編碼，在數(shù)字出版過程中易導(dǎo)致字符轉(zhuǎn)換的差錯出現(xiàn)。除Symbol字符外，“Monotype Sorts”中包含了200多種箭頭、指示符和標(biāo)記；“MT Extra”中包含一些數(shù)學(xué)符號，用來擴充“Symbol”字體。編輯應(yīng)提高對希文，數(shù)學(xué)公式，箭頭、指示符和標(biāo)記等字符的敏感性，一方面呼吁作者盡可能采用Unicode編碼字符撰寫稿件，一方面加強自身業(yè)務(wù)素質(zhì)，提升對Symbol字符的識別與防范。

隨著融合出版的深入發(fā)展，各個期刊都建立了包括適應(yīng)不同載體的數(shù)字出版矩陣，國內(nèi)期刊已能夠?qū)崿F(xiàn)基于XML格式數(shù)據(jù)的全媒體發(fā)表[5]。然而由于不同載體、不同出版平臺的解碼結(jié)構(gòu)不同，同一個XML數(shù)據(jù)文件最終的展示狀態(tài)會有所不同。因此，應(yīng)注意在數(shù)字期刊出版平臺開發(fā)中盡可能兼容非Unicode編碼，同時盡快建立數(shù)字出版質(zhì)量控制的機制，避免差錯產(chǎn)生。