1. 这个工程到底是什么:给甲骨文字元“立碑”
1.1 项目来历:一个意外闯入者的自白
先说清楚,我进入这个圈子的过程本身就是个意外。我原本不是做古文字或者数字人文出身的人,既不认识那些约定俗成的数据交换格式,也没在相关社区混过,只是手里攒了一批甲骨拓片扫描件和零散的字形笔记,又刚好对结构化数据有强迫症,就开始用自己的方式处理它们。
于是就有了这个名叫“CNSH”的项目,全称我自己定义为“Chinese Script in Self Heritage”,翻译过来就是“以独立方式整理的汉字遗产”,但说白了,CNSH 只是我给自己这套东西起的内部代号。而“数字甲骨文字元立碑工程”是它的完整说法:把甲骨文按最小字元单位拆开,用我可控的、可扩展的规范去记录、编码、建索引,最终形成一种可供后人检索和使用的数字档案库。
为什么叫“立碑”而不叫“建库”或“平台”?因为“库里”的数据可以被随意覆盖、整理、清洗,而“碑”一旦立起来就意味着不可轻易涂改,每条记录都带出处、带状态、带时间印记。我做的是更像刻碑的事:一笔一笔刻进去,哪怕暂时张冠李戴,也保留证据,等以后修正。这里没有平台思维,也不是为了给谁做工具跑分,就是想用自己理解的方式,给这些几千年前的字形留下一个可靠的数据坐标。
1.2 “立碑”和“字元”在我这里的含义
在甲骨文研究里,“字元”本身没有特别成熟的统一定义。常见的是把“字”当最小单位,一个字对应一个含义,但甲骨文里有很多异体、合文、反写、倒写,同一个词在不同龟甲上刻法差异极大,所以单纯以“字”为粒度建档,会遇到大量冗余和冲突。
我采用的办法是把“字元”定义为:在一个具体字形切片里能够独立参与组合的最小构形单元。举个例子,“王”这个字形,它在多数拓片里就是一根立笔加一或两横;当它作为构件出现在“皇”或“玉”类字形里时,它既是字也是构件。那么建档时我不把它们硬拆成笔画,而是把“王”整体作为一个字元,同时记录它在结构位置中承担的角色。
“碑”对应的是这种不可逆、可追溯的归档策略。我会给每一条字元档案打上唯一的“碑码”,也就是 CNSH 编号,再配合原始图像路径、释读状态、字形坐标、轮廓数据、来源拓本、录入时间。这六类信息合在一起,才构成一条可以称为“碑”的完整字元档。我自己的要求是:可靠性优先,宁可暂时“未知”,也不能乱标成“已知”。数据做得不漂亮没关系,但每一条记录都得经得起追问。
1.3 做给谁看、能用到哪里
这个工程尽管不受“主流格式”约束,但它不是封闭自娱的东西。它的产出对象大概是三类人。
第一类是研究甲骨文但不太熟悉计算机处理的古文字学者,他们可以拿字元档案当检索目录,快速找到某个构形在哪些拓片上出现过,而不必一页页翻图录。第二类是字体设计师,尤其是做汉字节气类字体或文物复刻字体的人,他们最需要的是把字形轮廓矢量化的数据,我这份数据可以直接对接 SVG 路径或自定义坐标序列。第三类是数字人文方向的学生和开发者,他们需要一批带有较多附加信息(异体关系、出处、释读状态)的样例数据来测试分词、构件识别、字形聚类等算法。
我自己属于“外行”那一侧,所以我写文档时尽量不用缩略语轰炸。所有字段名称都带中文注释,所有步骤都可回退,连命令都放到脚本里做成可重复执行的版本。这就是我把“搅屎棍”当作荣誉勋章的原因:别人不按我的方式做,我不强求;但我用这套方式,至少没有出现“自己看不懂自己的数据”这种灾难性结果。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 为什么不走别人已经铺好的路
2.1 主流方案我为什么没接住
在动手之前,我也试图看了一些公共标准和社区做法。比较常见的方向包括:把甲骨文映射进 Unicode 私有区或扩展区,用 IDS 描述字形结构,在 GlyphWiki 上协作维护字形,用 TEI 给文字做元数据标注。这套体系本身很成熟,也凝聚了很多人的心血,但对我来说有几个现实问题。
第一,门槛高。Unicode 码位申请不是一个独立研究者能推动的,GlyphWiki 的协作规范也要花很长时间去对齐,更不用说 TEI 的复杂 schema 设计。我一开始只是想把手头那批材料整理出来,如果先花三个月学规范,可能项目早就黄了。第二,语义表达不完全匹配。很多标准是为“规范化汉字”设计的,遇到甲骨文里常见的无定释、异体、反刻字,标准方案里没有特别
