汉字输入技术与应用研讨会论文集

返朴归真求编码

华尚铮

【摘  要】中文键盘输入的本质是对预储在电脑中的中文字符和语料的检索，其操作原理和操作过程都与排版的检字法相同。汉字编码就是中文字符及语料的查找顺序和编号。基于编码的中文输入平均每个汉字击键数在二键以下，智能化输入实现后，平均每字的击键次数当在1.5键以下。赶上并超过西文输入是汉字编码的理想标准，华鼎二键码为你实现理想中的编码提供借鉴。

一、中文输入的优势源于编码

广义的汉字编码是指在确定了字符种类和数量之后，对这些字符进行排序、加工、储存、检索、转换、输出等各种作业的计算机用代码。狭义的汉字编码只是指人机交流时使用的操作码。本文所称的汉字编码专指操作码。

从电脑图文处理的原理来看，各种字符都是以图的形式，以数字化的方法储存在电脑中的。对电脑来说，储存检索一个西文字符和一个中文字符的原理是完全相同的，并无难易之分，但对于操作者来说，中西文输入的差别却十分明显。西文字符很少，通常情况下，西文输入是不需要编码的，中文字符形状复杂，数量庞大，只能编码输入。输入编码不仅给设计者提出了难题，更使操作者在学习掌握、熟练运用时十分头疼。时至今日，由于理想的汉字编码尚未实现，使“中文输入肯定不如西文输入方便快捷”这一明显带有历史局限的结论，似乎成了人机交流方面的金科玉律。笔者虽然是汉字编码的业余爱好者，但对此结论实在不敢苟同。

中文键盘输入的本质，是对预储在电脑中的中文字符和语料的检索。粗看起来是用击键的方式代替用笔写字，其实大谬不然，中文输入的操作原理和操作过程与铅字排版的检字法相同，只是电脑代替了存放铅字条的木架和字盘。大家知道，排字工人在排版检字时，并不是一个一个地检取铅字的，而是单字、词语、词组、短句归类放置混合检取的。中文输入也是把单字、词语、词组、短句统一归类编码，混合存取的。由于使用频率的不同，铅字架上往往要放上几个、几十个甚至几百个相同的单字或词语。在电脑里，不管是单字还是词语，每个都只要储存一个，就能取之不尽。排字工人检字时，空间距离从几十厘米到几米不等，取放时间较长。中文输入只要坐在电脑前，用手指按键就行。以前一个排字工人每小时能排1000-2000字，现在由于工具先进了，时空距离缩短了，工作效率提高一倍，每小时就能输入2000-4000字，每分钟大约30-60个字。随着熟练程度的提高，条件反射的形成，效率还能提高，每分钟输入50-100字，应该是稀松平常的事。

从击键次数来计算，大致也能得出相同结果。单个汉字的编码输入，大约平均3键左右输入一个汉字；如果把词和词组也编码输入，平均二键左右可输入一个汉字；如果再把专用词组和常用短语连同标点符号一起编码输入，则平均输入一个汉字当在二键以下。考虑到一个汉字大约与3.7个英文字母所载的信息量相当，仅依靠编码输入中文就不亚于英文。问题是精准地找出相应的字符和短语很不容易，这也是设计和掌握使用汉字编码的困难所在。

鉴于编码对中文输入有着特别重要的意义，所以设计符合中文规律的，字、词、语统一的，能与中文的学习和使用融于一体的，易学易用难忘的输入编码，才成为许多语言文字专家、计算机专家和广大业余爱好者为之殚心竭虑，孜孜追求的目标。这里笔者斗胆提出一个评价输入编码的最简标准：这种方案能被多数国人轻松掌握吗？这种方案能使中文输入赶上并超过西文输入吗？

二、正确理解重码，充分利用重码  

重码问题一直是困扰编码设计者的问题。重码会加重操作者的心理负担和操作负担，降低输入速度，所以一般人都以否定的态度对待重码，甚至把重码率的高低，作为评价汉字编码和中文输入法优劣的一个重要标准。这种观点是完全错误的。

科学地说，我们输入电脑的汉字编码与汉字在电脑里的机内码是一一对应的，否则电脑是不认帐的，因此汉字编码本质上是没有重码这个概念的，这就是编码的单义性。那么重码是怎么一回事呢？有人说，重码就是指一个编码对应多个汉字。笔者想，一个编码怎么能对应多个汉字呢？怎么来区分这些汉字呢？回答说，用序号来区分它们。笔者想，既然已用序号把它们分开了，怎么还能说是重码呢？序号难道不正是编码的一部份吗？为此，笔者对重码杜撰了一个定义：互相以序号来区分的编码集合为重码集合，集内编码互为重码。按这个定义来考量，目前所有的汉字编码方案都是有重码的，只是重码的严重程度不同而已，其中被称为最具编码单义性的电报码和区位码，其实是重码最严重的，它们各是一大组重码，它们只能以序号来区分，因此被称为无理码。习惯上称为有理码的其他各种方案，都是先用规则来对汉字逐级区分，最后才以序号来区分的。所有的有理码中都包含着无理的成分。

在设计有理码时，可以用一套规则对汉字进行若干次分类；也可以用几套规则对汉字进行若干次分类；一套规则可以非常简单，也可以非常复杂；可以让规则“铁面无私，决不通融”，也可以有“大量的例外和变通”。总之全凭设计者的睿智和规定。只是最后总会有部分汉字是只能用序号区分的。于是笔者又杜撰出重码的第二种定义：当以规则对汉字进行逐级区分时，符合该规则的字符逐级构成重码组，组内的字符互为重码。根据这个定义，在击出编码的最后一码之前（包括序号码），击出的任何编码都是重码组的编码，依次为一键重码组，二键重码组，三键重码组......很明显，在同一编码方案中，重码组的数量与平均每组重码数成反比。随着分级次数的增加，重码组数逐步趋向最大值，平均每组的重码数逐步趋向于1。

我们对重码有了正确的理解，就能让重码为我们所用了。假定有一个相当科学的编码方案，它按定长4码编码，重码率在1%以下。（可以想象，操作者掌握这套编码规则一定相当困难，对每个汉字进行四次甄别也一定相当麻烦）如果规定第4码不按规则编码，而以序号编码，这时重码率可能会上升到20%左右，如果规定第3码也以序号编码，重码率可能会上升到98%以上，几乎每组都有重码。正当操作者为重码发愁的时候，有个专家组出来说，重码由我们来帮你处理，你只要每个字记住二码就行了，我想，操作者一定会举双手表示欢迎的。

把本应由操作者死记的序号让专家组和机器处理，这就是智能化处理的实质，当然智能化方案解决的问题远比重码处理复杂。智能化是中文输入的专利，它是专家们根据中文语法、语意、语用等特点和规律设计出来的，对输入编码进行自动检索、匹配、调整的一整套命令，一旦启动，它就会自动工作，直至完成。智能化输入方案是独立于各种汉字编码方案又高于各种编码方案的，它适用于除区位码、电报码之外的任何编码。它是汉字文化与计算机文化结合的优秀范例，代表了中文输入研究的正确方向。功能强大的智能化输入方案的实现，将使操作者的工作强度（特别是心理压力）大大降低，工作效率大大提高，平均击键次数可降到1.5键以下。必须说明，通常情况下，西文输入是不需要智能化输入方案的，它只能一键一个字母地输入，少打一键都不行。西文的无编码输入让中文输入者非常羡慕，中文的智能化输入也一定会让西文输入者十分妒忌，真所谓各领风骚，殊途同归。

上文提到只要求操作者记住二码就行了，为什么只要记住二码就行了呢？这是参考拼音码得出的结论。全拼码每个汉字最少２键，最多６键，平均３键，不管是几键，实质都是声韵２键，重码组仅为400个左右。目前智能化输入方案与音码结合得相当好，转换命中率在98%以上。刻意设计的二键码，重码组当在600组以上，更容易提高转换命中率。当然必须清醒地认识到，不管智能化方案设计得有多好，转换的命中率有多高，必要的人工干预（人工选择）还是必不可少的。

当我们把处理重码的难题交给专家组和微机去处理时，编码的设计者的任务也就更加简单明确了：努力为国人设计一种普及型二键码。

三、信息时代汉字形意分类的革新和华鼎码

如何用二键码来对所有汉字进行分类甄别呢？可以从汉字的整体特点来考虑，汉字是表意图形文字，每个汉字都是音、形、义的结合体。音可以独立作一码，形义合成一码。把汉字的音作为一码，只要把汉字汉语拼音的第一个字母定为声码就行了，这样，汉字共有23个声码。把形义作为一码，就是把汉字的部首作为一码。困难的是部首有189个，全部记住很不容易。办法是把189个部首再进行一次形义分类，把它归类合并为数量较少的形码，再用字母和数字作代码，这样就易记易用了。下面是华鼎码对189个部首分类的尝试：

表1：华鼎码象形形码表

  表2：华鼎码数字形码表

助记口诀：一横二竖三点捺   四叉五插方框六   七角八八及变形   点下有横变零头

象形形码共26个，含形意特征十分明显的60多个部首，用汉语拼音的26个字母作为代码，每个形码都有一个中文名称，容易学也容易记。数字形码只有笔形特征而无表意作用。这些笔形虽然本身属于189个部首，但实际上是沿用了“四角号码”检字法的十种笔形，所以干脆称为数字形码。9个数字形码涵盖了120多个部首，学习和记忆量减少了许多。完成了形码的归类合并，只要再设计一个简单的编码规则就行了。华鼎码编码规则如下：

首码总是形码（35组）

依次在汉字上、下、左、右、左上角五个部位有象形形码的，取该象形码作首码。(26组见表1)上述五个部位无象形形码的，取该字左上角的数字形码为首码。(9组见表2)

（二）常用字第二码是声码。声码是汉字汉语拼音的第一个字母。

（三）生僻字第二码是数字形码(9组)。具体有下面三种情况：

（1）首码是象形形码的，第二形码取该字去掉象形形码后剩余部分左上角的数字形码。

（2）首码是数字形码的，第二形码取该字右下角的数字形码。

（3）国标字符表中的部件符，如：氵、讠、钅、辶、廴等，第二码 均为○。

（四）多字词语的编码规则：首字形码加各字声码。

汉字的读写系统是一个十分庞大的系统，它包括汉字的音形义、检索、语法、书写工具、文字载体、教学传播等子系统。这个大系统随着社会政治经济文化的发展，遵循着更简便、更高效、更经济、更普及的规律在发展。进入信息时代以后，汉字的书写工具、载体、传播手段又发生了革命性的变化。中文键盘输入将成为国人必须具备的基础文化与基本技能。笔者认为，在不触及字音、字形、字义等文化沉淀的前提下，对汉字的部首加以归类合并，并以字母和数字作代码，就能使汉字更适宜于辞书检索和电脑输入。这很可能是一种最简单、最经济、最容易普及并沉淀的革新。如果这种汉字形码在小学低年级就学习掌握，成为基础文化，中文输入就不再需要编码了。届时，中文输入定能赶上并超过西文输入。

四、几点说明

华鼎码是集部首、四角号码、音序三种汉字检索法优点于一身的二键码。总体设计原理如下：

右图三个正方形分别表示三种汉字检索法，重迭的部分是新的检索法。常用字用形声码检索，生僻字用形形码检索，多字词用首字形码加各字声码检索，产生的重码用人工选择。

2、华鼎码以形声为主、形形为辅，用二键显字、选择上屏的方法，实现了对所有汉字的二码分类。在GB2312-80集内，有形声码748组，形形码312组，共1060组重码。占动态字频总数的99.5%以上的常用字可用形声码击出；生僻字的数量不管有多少，合计只占动态字频总数的0.5%，可用形形码轻松击出。真正做到了常用字输入快，生僻字找得到。两者相辅相成，各得其所。

3、华鼎码采用字、词、语统一按N+1键的形式编码。单字二键、二字词三键、三字词四键……另设36个一键字，重码的第一个字、词为简码，击空格键上屏。在人工选择条件下，平均每个汉字击编码键约1.7键（不计选择键），实现智能化后，包括选择键，平均每字在1.5键以下。（软件层次越高，击键次数越少。）

4、华鼎码的形义分类和编码规则，是设计者的个人观点，受笔者文化修养和学识的限制，受智力、体力、经济能力的限制，疏漏和荒谬之处在所难免，敬请诸位同仁严厉批判，不吝赐教。

参考文献：

《汉字编码方案汇编》科学技术文献出版社1980年3月出版

《现代汉语语法信息词典及其在中文输入中的运用》俞土汶、朱学锋96年11月编码学会论文集