建庫過程 建立一個龐大的典籍資料庫，是工程的第一步。《四庫全書》總字數逾七億，要建立如此龐大的數據庫，單靠人手輸入根本是不可能的。至於利用掃描器錄入原文，也必須把文字圖像轉換成電腦可讀的字符，檢索功能才能得以發揮。更困難的是原文真跡中數量繁多的文字分別由近四千人抄寫，筆跡不同，電腦也難以準確識別。 （一） 原文圖像數據庫
「文淵閣四庫全書電子版 -- 原文及標題檢索版」的原文圖像，是以《景印文淵閣四庫全書》為底本，以電腦高速掃錄原文而得。然後經三百多人，用了近一年的時間，在書目數據、著者數據、卷內標題數據、原文頁面等方面進行了三次全面核查及處理。 首先，我們利用高速掃描器，以超過每分鐘六十張雙面的速度，錄入原書。一般的掃描器，無論在設計上或在速度上，都不可能應付如此龐大的掃描工作量。為了提高效率，我們採用了高速掃描器，快速地將四百七十多萬原書頁掃描成二百三十多萬個電子圖像，保留原書面貌。 原文圖像首先經過頁面切分，將一個影印頁切分為兩個原始頁，以便在顯示屏幕下能將單個原始頁清晰顯示出來。然後是版面檢查，包括版面查錯、闕頁補齊、頁面錯位的調整、替換掃描不清頁或破損頁等等。經過這一連串的工序後，所有四百七十多萬頁內文就變成總共二百三十多萬個圖像檔案。而每一頁的圖像檔案都必需經過詳細的檢定，以確保掃描圖像的質量。 （二） 卷內標題數據庫 眾所周知，古籍歷來缺乏詳細的目錄索引，後人查找古代資料、使用古書很不方便。尤其對於像《四庫全書》這樣一部曠世鉅著，雖有《四庫全書總目》和《四庫全書簡明目錄》，但具體使用起來仍有諸多不便。 所以我們從原書抽取逾一百八十二萬餘條卷內標題，建立了合計千多萬字的卷內標題資料庫。突破了原文真跡（圖形）不可檢索的限制﹔同時亦突破了原書目錄可檢索到書目的限制。 卷內標題是將原文的著者名、書名、卷首、卷尾、篇名、章名、序言、跋語、文中圖表等抽取製作而成的數據。 「標題版」共收卷內標題一百八十二萬零七百二十六條。 經部: 十三萬二千一百八十三條 （三） 漢字字符數據庫 利用掃描器錄入的只是原書頁的電子圖像，必須將內文轉換成電腦可讀的編碼字符，全文檢索功能才能得以發揮，達到檢索到單字的程度。問題是原文真跡中數量繁多的文字分別由四千多人抄寫，筆跡不同，風格各異，更用大小不同的字體，一般的電腦軟件根本不能準確識別。因此，我們與北京清華大學計算機系，合作開發了一套OCR光學字符識別系統，利用OCR技術來識別每一個漢字，建立逾七億漢字的中文字符──字跡資料庫，為日後中文典籍電子化奠定了堅實的基礎。 首先，為了讓電腦能正確地識別原書中每個人手抄寫的漢字圖像，必須要利用好幾種計算方法分析版面，把每個漢字一一分割開來。 由於人手抄寫時往往會造成字與字的交錯重疊，電腦所做的分割偶然也會出現錯誤，因此必須經過校對過程，併由操作員利用電腦軟件將這些錯誤糾正過來。 幾台電腦日以繼夜地進行復雜的運算，以每秒鐘十四個字以上的高速，逐字識別出百分之九十以上的文字。校對人員利用電腦輔助的校對軟件，從各個角落，用多種方法對照原文，快速而正確地校對與補充輸入。 |