张时钊：书同文、文同码与无字库

　　我说的不是输入码，而是汉字内码。二十年前，两岸文字不只是简繁不同，而是更严重的内码不同，软件不配套时，会显示一堆乱码，要经过内码转换才能阅读。现在中日韩所有汉字都统一在统一码Unicode中，没有乱码问题了，而且可以简繁转换。但是问题并没有完全解决。按Unicode的计划，要把世界上所有文字都纳进来，任何一个不同的字形，都有一个唯一的内码，完整的内码要4个字节，可容纳20亿个码位。因为世界上到底有多少种文字，复杂的如汉字到底有多少个字，都不能一次确定，妥善安排，只能由各个国家或地区分次申请注册。汉字已申请到7-8万个码位，但不是连成一片，而是割裂成许多段。字太多了，容易出错，有网友发现所谓的“电脑错字”，也有重复的。更难的是输入法，如何从近十万个汉字中选取您需要的。最后，还是有缺字，尤其缺一些人名用字，使不少人办不了第二代身份证。有一本电子书“国学备览”，就要用一千个图片，用来显示字库里没有的汉字。这说明用扩大字库的方法是不能解决问题的。于是Tom Bishop 和 Richard Cook提出汉字描述语言CDL，据说他们就在Unicode工作的。使用CDL，任何汉字都可以用比它简单的汉字或部件，最后都可以用笔画组出。

　　比较一下中文和英文，英文字（词）虽然上百万，电脑里也永远不会缺字。原因在于：他们不是对字而是对字母编码的。字是开放的，可以任意造新字，且有自然的字典序。我们也改为对笔画编码，行吗？英文字母是线性排列的，汉字笔画是平面排列的，有可能笔画序列相同而汉字不同，怎么办？这个问题以及笔顺等等，都可以加一些约定来解决，难解决的还是汉字笔画数（平均10-11）比英文字母数（平均5-6）大一倍，码太长，也不直观。如果改为对部件编码，部件又太多。能不能将部件归并成100类，每类定一个高位为1的字节作为内码，只有该类内出现频率最高的部件直接用该码，其他部件则另加一个数码来分辨。这样，使两个高频部件的10000个组合能够囊括两千左右高频字，每字两字节。其他低频字，码长些，击键次数多一些也没有关系。这需要摸索试验，如果成功，输入码与内码相同，自然排序也有了，而且永不缺字，所有问题都解决了。为此，如果需要对常用字形作少量改变或限制，也是值得的，文字工具的改变引起汉字形态的一些变化，历史上就发生过，是正常现象。