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

我們在數字出版活動中發(fā)現一個現象：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，易導致該類差錯的出現。因此，本研究試圖梳理數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

由于計算機內部只認識二進制代碼，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)能表示的整數個數為28＝256個，表示的范圍是0～255，據此制定出ASCII編碼用來表示大小寫英文字母、數字和一些符號。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個字符遠遠不夠。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碼常常會因各種問題出現亂碼與錯碼現象，為了解決不同編碼的轉碼問題，最大程度將自己的產品做到國際化，使之能很容易接收各國的語言，Unicode編碼應運而生[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、跨平臺進行文本轉換、處理的要求。每個符號對應一個唯一的編碼，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，多用于數學公式中，包括希臘字母、數字、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在多個系統(tǒng)中可調用，但由于該字符集沒有被編入Unicode，導致很多僅采用Unicode編碼架構的網站并不能有效識別Symbol字體。比如生物醫(yī)學最重要的數據庫Medline，為了解決可能出現的轉碼問題，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，導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數據庫并不支持Symbol字體，首先應避免作者使用Symbol字符。通過微信、官網、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”，即可在結果欄中看到字符“μ”，選中對應數字鍵入即可，見圖2C。其他希文字符輸入對應希文的拉丁全稱或縮寫均可鍵入。也可在當前輸入法為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 數字出版終產品應建立質量控制機制

目前，絕大部分數字出版物的數字化加工質量檢查都無編輯人員參與，技術人員的質量檢查重點在于發(fā)現亂碼，圖注、表注、上下角標缺失，正斜體不統(tǒng)一，圖文位置不正確，鏈接失效等問題[4]，對涉及學術內容的“μg”與“mg”等編校問題缺乏敏感性。期刊編輯部應加強數字出版終產品的質量檢查，總結質量風險點，建立包括編校、技術等相關環(huán)節(jié)的質量控制機制，做到全程留痕、有據可查，從內容、技術和項目整體上保障各個形態(tài)數字出版物的文本一致。

3 結 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，在數字出版過程中易導致字符轉換的差錯出現。除Symbol字符外，“Monotype Sorts”中包含了200多種箭頭、指示符和標記；“MT Extra”中包含一些數學符號，用來擴充“Symbol”字體。編輯應提高對希文，數學公式，箭頭、指示符和標記等字符的敏感性，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)務素質，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不同載體的數字出版矩陣，國內期刊已能夠實現基于XML格式數據的全媒體發(fā)表[5]。然而由于不同載體、不同出版平臺的解碼結構不同，同一個XML數據文件最終的展示狀態(tài)會有所不同。因此，應注意在數字期刊出版平臺開發(fā)中盡可能兼容非Unicode編碼，同時盡快建立數字出版質量控制的機制，避免差錯產生。