应物音形汉字键入方案

目录
  1. 一、名义
  2. 1.1 应物
  3. 1.2 衡码
  4. 1.3 足下
  5. 1.4 作者与状态
  6. 二、缘起
  7. 2.1 其一:键入的准确性,是对思绪的保护
  8. 2.2 其二:文字的输入方式,是否参与思维的进路
  9. 2.3 其三:规则应当可被完整理解,而规则所需的知识应当是使用者已有的
  10. 三、设计思路与原则
  11. 3.1 音形并取,次序固定
  12. 3.2 逐级加码,打到够用为止
  13. 3.3 放宽到「猜得到就能打」
  14. 3.4 规则确定,不猜使用者的意图
  15. 3.5 判定以国家标准为据,不以程序推断为据
  16. 3.6 一切指标可复现
  17. 3.7 使用者的数据留在本机
  18. 四、编码规则
  19. 4.1 音:全拼
  20. 4.2 形(一):结构码
  21. 4.3 形(二):部件码
  22. 4.4 五条放宽规则
  23. 4.5 逐级加码
  24. 4.6 词的编码
  25. 4.7 结构码是强制的
  26. 4.8 实测示例
  27. 五、数据与度量
  28. 5.1 字表与码表规模
  29. 5.2 部件命名表
  30. 5.3 有无结构码的对照
  31. 5.4 已知的不足
  32. 5.5 与其他方案的对比
  33. 5.6 取舍说明
  34. 5.7 向后兼容
  35. 5.8 重出本文所有数字
  36. 六、数据来源与许可
  37. 七、反馈

原名:应物音形衡码输入法

方案版本 0.27「金铃」 | 本文所有数字均取自仓库现值,重出命令见 §5.8

0.27 是首个公开版本;文中出现的 0.2 至 0.4.x 是公开之前的内部版本号。

一套汉字键入方案:全拼承担读音,结构与部件承担字形,二者按固定次序拼接成一枚编码。

全拼  →  加结构码  →  加一个部件码  →  加第二个部件码  →  加第三个部件码
qing  →  qingz     →  qingzc        →  qingzcy        →  qingzcyg       (轻)

每一级都是可用的编码,打到候选出现即可停手。


一、名义#

1.1 应物#

承明心意以相应万物,而为变化。

「应物」二字出于此意。对一套键入方案而言,它指的是:键入的过程应当顺着写的人心里的那个字走,不让人去迁就工具的规则。汉字是音、形、义的结合体;与它相应的键入方式,所要求的也应当是对这个字本身的认识,即它怎么读、怎么构成,无须另一套专为机器设定的符号。

1.2 衡码#

方案原名「应物音形衡码输入法」。「衡」取权衡之义:音与形在一枚编码里各据其位,不以一方压倒另一方。全拼承担读音,结构与部件承担字形,二者按固定次序前后拼接,分明而不相掩。

衡码有独立的实现(「应物输入法」,27gscn/yingwu-ime),是本方案的前身。它用「结构码+部首码」消歧,与本方案的分歧只在后半段:部首码要求使用者先知道哪个部件才是部首,并且知道那个部首的通称,例如 礻 要知道叫「示」,且不能与 衤(衣)相混,认错部首就打不出字。本方案改为「任意一到三个部件、顺序不限、允许多名」(§4.4),结构码照收。两套实现可以并存安装。

1.3 足下#

实现本方案的 Windows 软件名为「应物足下输入法」,取「千里之行,始于足下」之意。本文只讲方案,软件的架构与使用见仓库的 README。

1.4 作者与状态#

本方案与其实现均出自一人之手,目前仍是草案:编码规则已定案并有实测,部件命名表已覆盖全部部件但待人工复核,软件可安装、可打字,但自动化测试未覆盖全部层次。本文凡属未经验证的判断,均在正文中标明。


二、缘起#

2.1 其一:键入的准确性,是对思绪的保护#

写作时,比时间更稀缺的是思绪的连续。一个念头从成形到落在纸上,中间任何一次停顿都可能让它散掉。键入是这条链上最末、也最频繁的一环,一篇三千字的文章要按下近万次键。这一环上的每一次迟疑、每一次回头修改,都会打断上游那个念头。

因此,衡量一套键入方案,首要的指标应当是一次把字打对的比例,其次才是峰值速度。

拼音输入法在这一点上有结构性的困难。汉语单字同音极为严重。按本方案的字表实测:只给全拼、不给任何字形信息时,首选命中率为 56.79%,同一串拼音平均对应 38.12 个候选字。也就是说,近一半的字要靠目视候选列表来定。

现代拼音输入法用语言模型把这个数字压下去,按词、按句、按使用历史去猜,但这引入了另一个问题:候选的顺序由使用者看不见的模型决定。同一串拼音今天出这个、明天出那个;打错了,使用者既不知道为什么错,也无法保证下一次不错。判断权交给了不可见的统计。

在当下以拼音为基础的教育语境里,这个困难还被放大了一层。汉语拼音是识字的脚手架,人人会写,于是拼音输入法几乎不需要学。代价是:使用者关于汉字字形的那一半知识,即这个字是左右还是上下、由哪些部件组成,在键入时完全闲置。一个人可能认得三千字的写法,但在键盘上,这三千字的形他一个也用不上,键入与认字之间的联系就此断开。

五笔输入法走的是另一端,它的困难在入口。五笔只认字形、不认读音,因此不受同音之困,熟练者的速度上限很高。但它要求使用者先学会一套专为输入而设的知识:字根如何分区、如何落在键位上、末笔交叉识别码如何补足。这套知识在输入法之外没有用处,学了只能用来打字,而它的记忆量足以让多数人在入门阶段就停下。此外,只认形也意味着,一旦遇到不会拆的字,使用者没有第二条路可走,读音这条他本来就有的路被关掉了。

本方案试图不走这两端中的任何一端:音与形都用,但用的是使用者在学写汉字时就已经具备的知识,不另造一套。

2.2 其二:文字的输入方式,是否参与思维的进路#

这是一个尚无定论的问题。本方案不假装有答案,只把它摆出来,并说明自己按哪一边下注。

拼音键入的过程大致是:

意  →  音  →  拼音串  →  候选列表  →  视觉检索  →  确认

中间多出一步「视觉检索」:候选列表要读一遍、比一遍。这一步调用的是视觉与比对,与正在进行的写作并不同路;它每发生一次,就是一次短暂的切轨。

音形并取的键入过程是:

意  →  字(音与形)  →  码

它要求的是对那个字本身的认识。当码足够长、候选足够少时,视觉检索这一步被压缩,甚至不再发生。

这个差别是可以度量的。同一份字表,按使用频次加权:

打到哪一级平均候选数
只给全拼38.12
加结构码12.58
加一个部件4.79
加两个部件2.00
加三个部件1.46

从 38 到 1.46,是二十余倍的检索量差别。

但必须如实说明:检索并不会降到零。实测中约四分之一的字,无论怎么打都不唯一,仍要选一次字(§5.4)。「完全不看候选」做不到,本方案不作此承诺。

那么,汉字如何键入才是更好的?本方案的回答是:让键入所依赖的知识,与汉字本身的构成相一致。汉字是音形义的结合体。只取音,是把它当作拼音的转写;只取形,是把它当作图形。音与形并取、次序分明,才与这个字本来的样子相对应,这也正是「应物」二字的意思。

2.3 其三:规则应当可被完整理解,而规则所需的知识应当是使用者已有的#

输入法是日常工具里被调用得最频繁的一个,一天数千次。正因为频繁,它的行为是否可预测就不只关乎方便,还决定了使用者与工具之间的关系。

这里有两件事,应当分开要求。

第一件:规则本身可被完整理解。本方案的编码是确定的:同一串码永远给出同一组候选,顺序只由字频决定,不受使用历史、上下文或任何不可见模型的影响。由此得到一个具体的性质:打错了,使用者能自己看出错在哪一位。全拼之后的第一位是结构,再往后是部件;候选不对,是结构判错了,还是部件的名字记成了别的,一眼能定位,下一次自己能改对。在候选顺序由模型决定的方案里,「候选不对」是一件没有原因可查的事,使用者只能重试。

这条性质也划出了本方案的一条边界:不做通用的模糊纠偏。容错应当做在规则层(例如把方言里常见的音混同登记为等价输入),不做在算法层。算法一旦开始猜使用者想打什么,「能自己看出错在哪一位」就不再成立。

第二件:规则所需的知识,应当是使用者已经拥有的。本方案只用三样东西:

要素来源
读音汉语拼音,识字教育的起点,人人已会
整字结构左右、上下、包围、品字、独体,规范汉字教学的基本内容
部件名称三点水、言字旁、宝盖头、提手旁,语文课上就是以「这个部件叫什么」的形式教的

这三样都不是为输入法新造的。本方案不要求使用者记住任何一张专用的字根表或键位图,只要求把已经学过的东西用起来。

与 §2.1 的两端对照看最清楚:拼音输入法只用了其中第一样,另两样闲置;五笔三样都不用,而要求另学一套;本方案三样都用,且都是现成的。

代价也要说清。「现成」不等于「不用想」。结构大体上看一眼就知道,确实不用学;部件名称则参差不齐,「三点水」人人会说,一个生僻部件叫什么,使用者未必有现成的叫法。本方案为此设了放宽规则(§4.4):任意一到三个部件皆可,顺序不限,一个部件允许多个名称。这些放宽是对现实的承认,规则本身仍是确定的。


三、设计思路与原则#

3.1 音形并取,次序固定#

一枚编码分三段,次序不可换:全拼在前,结构居中,部件在后。固定次序换来的是可读性:看到 qingzsq,使用者能把它切回「qing / z / s+q」,知道每一位在说什么。混合次序会让码变成不可解读的字符串,失去可自查这一关键性质。

3.2 逐级加码,打到够用为止#

三段不必打满。qing、qingz、qingzs、qingzsq 都是有效编码,候选出现就可以停。常用字往往在第一、二级就已首选命中,生僻字才需要打到满码。编码长度随需要而变,没有定长。

这一点与五笔的定长码有根本区别:五笔四码不够则补识别码,本方案的「满码」只是「候选足够少」,没有强制长度。

3.3 放宽到「猜得到就能打」#

一个没人猜得到的码等于不存在。因此:三部件以上的字不规定该用哪几个;部件的先后不论;一个部件允许有多个名称(通称与本音皆可)。宁可一个字多出几条编码,也不要使用者卡在「这个部件到底该叫什么」上。

这一条的代价是编码行数增加(§5.1),收益是不会把人挡在门外。

3.4 规则确定,不猜使用者的意图#

同一串码永远给出同一组候选。排序只看字频,不看上下文、不看使用历史。使用者的选择会被记住(§3.7),但记住的方式也是确定的、可查的。

3.5 判定以国家标准为据,不以程序推断为据#

独体字的判定以 GF 0013—2009《现代常用独体字规范》的独体字表为准。此前版本从拆字数据机械推断,而拆字数据对独体字给出的是笔画树,于是「山」被推成包围、「口」被推成上下、「月」被推成包围,与任何人的直觉都不符。改为查表后,山、口、月、木、田、一、见一律判为独体。程序推断只用于标准表以外的字。

3.6 一切指标可复现#

本文、README 与仓库文档中的每一个数字,都能用仓库里的脚本重新算出来(§5.8)。数据改了,数字就该跟着改,不手抄。

3.7 使用者的数据留在本机#

键入过程中产生的个性化数据(选过哪个候选)只写在本机的用户目录下,纯文本,使用者随时可以打开查看,删掉即等于忘掉全部。诊断日志只记事件,不记内容:使用者打了什么字、选了什么候选,一个字都不记。


四、编码规则#

4.1 音:全拼#

不带声调的标准汉语拼音,ü 写作 v。多音字按读音分别成码。

按字频加权平均 2.97 键,是编码成本的主体。单靠全拼,首选命中 56.79%,平均 38.12 个同码候选。

4.2 形(一):结构码#

一个字母,描述整字的拆分方式:

码结构例字数占比按字频加权
z左右清、请、轻66.39%43.69%
s上下字、先、花、安21.83%20.86%
b包围、半包围国、武、回、风7.85%11.86%
p品字形、交叠,以及兜底森、品、众0.65%0.34%
d独体木、田、山、口、月、一、见3.28%23.24%

两列是两种口径:「字数占比」的分母是 8,757 个(字,读音)对,未加权;「按字频加权」是同一批对按字频加权。二者相差最大的是 d:独体只占三个百分点的字数,却占近四分之一的使用频次,因为最常用的一批字(一、人、口、山、日、月)大半是独体。评估「好不好学」看左列,评估「打起来什么感觉」看右列。

加上结构码后:3.96 键,首选命中 74.75%,平均候选 12.58。

4.3 形(二):部件码#

取部件名称的拼音首字母,依据的是名称而非读音。这是整套方案的支点。

名称的来源分三层,按优先级从高到低:

  1. 人工名称表:需要人工判断的部件,逐条登记,优先采用。
  2. GF 0014—2009《现代常用字部件及部件名称规范》的国标名称:人工表没有的,并入国标名称(宝盖、草字头、病字框、倒八、私字边……)。并入方式是追加,不覆盖人工名称。
  3. 部件自身读音:以上两层都没有的,用部件本身的读音兜底。
清 = 氵 + 青   左右     氵 叫「水」shuǐ → s     青 qīng → q     →  qingzsq
请 = 讠 + 青   左右     讠 叫「言」yán  → y                     →  qingzyq
情 = 忄 + 青   左右     忄 叫「心」xīn  → x                     →  qingzxq
晴 = 日 + 青   左右     日        rì   → r                     →  qingzrq
字 = 宀 + 子   上下     宀 叫「宝盖」bǎo → b    子 zǐ → z       →  zisbz

依名称取码,带来一条有用的性质:变体写法与本字同码。氵=水=s,讠=言=y,扌=手=s。写法变了,名字没变,码就没变。

没有名称的部件再往里拆一层。顶层部件本身一定保留,只是当它没有名称时,允许用它的下一层子部件来打。名称表就是递归的停止条件:表越全,拆得越浅,码表越小,也越可猜。

4.4 五条放宽规则#

其一,任意部件皆可,最多三个。一个码最多带的部件字母从早期版本的两个放宽到三个:

轻 = 车 + 又 + 工    左右
     车 chē → c     又 yòu → y     工 gōng → g
     qingz 之后  cy  cg  yc  yg  gc  gy  六种皆可

其二,顺序不限。qingzsq 与 qingzqs 都是「清」。这是作者定的硬口径。

其三,一个部件可以有多个名称。

彳   有人叫「人旁」(r),有人叫「双立人」(s)      两个码都认
冂   有人叫「同字框」(t),有人读 jiōng   (j)     两个码都认

其四,部件别名:「这个部件里看得见什么」。

「鹏」里看得见「月」,使用者打 pengzy 就应该出「鹏」,但鹏的一级部件是「朋」与「鸟」,月在第二层。解决办法是逐条人工勾选,不把拆分全部递归:子部件在母部件里看得见、有通行叫法、且新字母与母部件原有字母不同,方才收录。

效果:「鹏」可以用看得见的「月」(y) 来打,pengzy 的候选里有鹏,满码 pengzyn(月+鸟)唯一;「崩」同理,bengsy 首选命中。

其五,独体字可以整字作部件(0.4.2 新增)。

GF 0013—2009 对独体字的定义就是「只有一个部件的字」,这个部件就是字本身。数据里给独体字列出的那些「部件」,其实是笔画树上的碎片(「月」拆成冂与二),而打字的人看着「月」,想到的部件就是「月」。所以独体字多认一个码:结构码 d 之后,用这个字自己读音的首字母作部件码。

月     yue + d + y(整字)           →  yuedy        原有的 yuedt(冂 叫「同字框」)、yuedj(冂 读 jiōng)、yuede(二)照收
明月   ming yue + z d + r(日) y(月)  →  mingyuezdry

拆不出任何可用部件的字(非、竹、毋 等)同样适用;列式解码器一直就是这样给它们补位的,单字码表这次跟上,两边口径一致。合计 265 个字,按(字,读音)对计是 293 对。

这条规则只增码,不改码,原有的码一条不少。代价是一级部件码多出一批与别的字相撞的码,首选率略退(见 §5.6)。它与「取名称,不取读音」的支点并不完全一致,因为整字的「名称」就是它的读音,所以这是一条作者可以否决的放宽:生成器里关掉它,码表即回到 0.4.1 的样子。

4.5 逐级加码#

级平均键长首选命中前三命中平均候选
全拼2.9756.79%80.65%38.12
+结构3.9674.75%93.18%12.58
+一个部件5.0187.91%98.30%4.67
+两个部件6.0996.06%99.81%2.01
+三个部件7.2897.97%99.94%1.48

合计:平均附加键 0.845,总击键 3.82 键/字,打满后仍需动手选字的比例 2.03%。

4.6 词的编码#

词的编码与单字同构,只是按列排:全拼串+逐位结构串+逐位部件串。

星辰      xing chen     +  s b    +  r(日) c(厂)        →  xingchen / xingchensb / xingchensbrc
温柔      wen rou       +  z s    +  s(水) m(矛)        →  wenrou / wenrouzs / wenrouzssm
平戎策    ping rong ce  +  d b s  +  g(干) g(戈) z(竹)  →  pingrongcedbsggz
天地      tian di       +  d z                           →  tiandi / tiandidz
明月      ming yue      +  z d    +  r(日) y(月,整字)  →  mingyue / mingyuezd / mingyuezdry

三档都是有效编码,打到候选出现就停,与单字的逐级加码是同一套规则。部件位不限于第一个部件:每个字任取一个部件都行(词组码表只收第一个部件,其余的由列式解码器现场配出)。

词表没有收的词(人名、生僻搭配)由列式解码器兜底:它不查词表,按「列」直接配,因此词表外的人名、专有名词同样可打。解码器的规则见 docs/列式解码.md。

词表收的是雾凇拼音(rime-ice)按词频取的前 12 万词。

4.7 结构码是强制的#

结构码不能做成可选项。若 qingz 既可能表示「左右结构」,又可能表示部件「竹/足/走」,编码就有歧义。生成器留有 --no-structure 开关,可生成无结构码的版本用于评估,但两种编码不可混用。

4.8 实测示例#

以下直接查 data/zuxia.dict.yaml,按词频排序,括号里是该码的候选总数。

温   wenzswr         → 温揾(2)
抬   taizst          → 抬汰邰鲐(4)
直   zhissmy         → 直,唯一(十 s、目 m、一 y)
霜   shuangsy        → 霜,唯一
辰   chenbc          → 辰,唯一
月   yuedj           → 月,唯一
月   yuedy           → 月乐曰(3),月首选(整字作部件)
明月  mingyuezdry    → 明月首选(列式解码器带头)
银枪  yinqiangzzjm   → 隐枪首选;yinqiangzzjmgc → 银枪
不过如此 buguoruci   → 不过如此首选
平戎策 pingrongcedbsggz → 唯一

五、数据与度量#

5.1 字表与码表规模#

项目数值
字表规模(字,读音)对8,757
实际出码汉字8,183
编码行数274,579
不同的码180,395
平均每字码数33.55
词条数119,964
词的编码行数619,357

单字码表 274,579 行 / 4.4 MB;词码 619,357 行 / 18.6 MB。每字多码是设计的结果,正是五条放宽规则的代价与收益,并非冗余。

5.2 部件命名表#

8,757 个(字,读音)对拆出 1,586 种一级部件。

状态数量说明
人工名称330 条高频部首、读音与通称分歧者、无读音的变体
国标并入480 条GF 0014—2009 名称,追加在人工名称之后
部件别名210 条「这个部件里看得见什么」
按自身读音取码兜底以上三层都没有时使用

并入国标之前:1,586 种顶层部件里 1,261 种没有名称;2,365 字(28.90% 字数 / 34.46% 字频)整个字一个可猜部件都没有。并入国标之后:这个数字降到 72 字(0.88% / 4.72%)(以上为 0.3.0 实测)。拆到底仍然无名的只剩 5 种:疋、亅、匸、夊、羋。

剩下那些字里字频高的,多是一、人、手、水、心、女这类独体字,它们的「部件」全是笔画碎片。0.4.2 起它们可以整字作部件(§4.4 其五),从此都有了一个人人猜得到的部件码。

这张表是整个方案的地基,目前已覆盖全部部件,但待人工复核。

5.3 有无结构码的对照#

版本满码键长打满时首选命中仍需选字打满时唯一的码平均附加键总击键/字
全拼+任意三部件(无结构)6.2896.75%3.25%79.98%0.7323.70
全拼+结构+任意三部件7.2897.97%2.03%85.00%0.8453.82

无结构码时,任何长度都不唯一的字有 3,280 个(字频 44.95%);有结构码时是 2,167 个(24.81%)。结构码多一键,让约两成使用频次上的字从「怎么打都得选」变成「终究能打到唯一」。

保留结构码的理由:它大体上不用学(看一眼就知道左右还是上下);它把同音字提前分开(「见」读 xiàn 时与「先」同音,d/s 一键分家);它与衡码的码位同构,便于迁移。

5.4 已知的不足#

「码打满就唯一」是不对的。实测:

口径数值
打满时唯一的码占比85.00%
打满仍不唯一的字2,203 个(字数 26.92%,字频 26.10%)
任何长度都不唯一的字2,167 个(字数 26.48%,字频 24.81%)

约四分之一的字、近四分之一的使用频次,无论怎么打都得选一次字。满码首选命中 97.97% 与这件事并不矛盾:不唯一也可以排第一,同码字里字频高的那个通常就在第一位。但「唯一」这个词不能再用来为设计取舍背书。

其余已知欠账:

  • 部件命名表待人工复核。国标并入的 480 条与按自身读音兜底的部件,未经逐条审阅。
  • 不设单独的反查入口(作者决定不做)。想不起某个字的结构位或部件名时,先打全拼、在候选里把高亮移到它上面,学习模式的拆字窗就会写出它的结构码与每个部件的字母。
  • 部件别名不全。「出」在一般人眼里是两个「山」,而现行编码只认 c(屮)与 q(凵)。
  • 5 个无名部件:疋、亅、匸、夊、羋,拆到底仍无通行叫法。
  • 繁体字尚不能键入。字表以《通用规范汉字表》的 8105 字为准,繁体输入列在下一步。拆字窗与网站查字页已按《通用规范汉字表》附件 1 的对照表列出繁体写法,供对照。

5.5 与其他方案的对比#

方案依赖知识入门难度满码首选可自查错误
纯拼音拼音极低56.79%否(模型决定)
音形(本方案)拼音+结构+部件名称低97.97%是
五笔专用字根表+键位图高极高是

三套方案各有取舍,不存在绝对的优劣。本方案的立足点是:在入门代价可控的前提下,尽量提高一次命中率,并保持规则的可自查性。

5.6 取舍说明#

0.3.0(部件码放宽到三个、无名部件再拆一层、并入国标名称)是明确的取舍,有得有失:

  • 一级和二级部件码的首选率退了(89.78%→88.13%,98.16%→96.08%)
  • 平均同码候选变多(4.16→4.79,1.43→2.00)
  • 总击键从 3.76 涨到 3.81(+1.3%)

换来的是打满唯一性从 82.45% 升到 85.03%,以及更多拆法有码可打。(以上为 0.3.0 当时的实测。)

0.4.2(独体字整字作部件,§4.4 其五)也是取舍。同一份数据,与 0.4.1 的生成器对照:

  • 一级部件码首选率 88.08%→87.91%(−0.17 个百分点);二级、三级不变(96.06%、97.97%)
  • 平均附加键 0.843→0.845,总击键 3.81→3.82 键/字;打满唯一 85.01%→85.00%
  • 一级部件码的平均同码候选反而从 4.80 降到 4.67:新增的码大多落在常用独体字上,同码字少

换来的是 265 个独体字与无部件字(含一、人、口、手、心、月这些最常用的字)多了一个人人猜得到的部件码,「明月」这类词可以按看见的样子打。代价很小,但不是零。

5.7 向后兼容#

旧版本(0.2.0)的 66,505 条码一条都没丢。data-tools/audit_zuxia.py 不存快照,而是现场用旧算法重算一遍再比对。0.4.2 对 0.4.1 也是只加不减:274,327 条(字,码)一条不少,新增 252 条。

5.8 重出本文所有数字#

# 逐级加码、命中率、唯一性
python3 data-tools/measure_zuxia.py data/zuxia.dict.yaml

# 字表规模、结构码分布(生成器末尾打印的 JSON 就是报告)
python3 data-tools/generate_zuxia.py

# 无结构码的对照版本
python3 data-tools/generate_zuxia.py --no-structure --out-dir /tmp/ns
python3 data-tools/measure_zuxia.py /tmp/ns/zuxia.dict.yaml

# 与 0.4.1 的规则对照(§5.6):同一份源数据,用原样留档的 0.4.1 生成器重出一份
python3 data-tools/generate_zuxia_041.py --out-dir /tmp/g041
python3 data-tools/measure_zuxia.py /tmp/g041/zuxia.dict.yaml

# 码表不变量自查
python3 data-tools/audit_zuxia.py

数据改了数字就会变。请重跑,不要手抄。


六、数据来源与许可#

数据来源许可
独体字判定GF 0013—2009《现代常用独体字规范》(扫描件逐字抄录,256 字)国家规范
国标部件名称GF 0014—2009《现代常用字部件及部件名称规范》(公开转录本,480 条)国家规范
字形拆分CJKVI-IDS、Make Me a HanziLGPL-3.0 等,见仓库 licenses/
字频与词库雾凇拼音(rime-ice)GPL-3.0
字表范围《通用规范汉字表》8105 字国家规范
繁体对照《通用规范汉字表》附件 1《规范字与繁体字、异体字对照表》的繁体字栏(2546 个规范字);机读本取自 TerryTian-tech 整理的 OpenCC 国标繁体字表国家规范;机读本 Apache-2.0

方案文本(本文)采用 CC BY 4.0:可以转载、改编,注明出处即可。自研代码采用 MIT 许可。派生数据沿用其上游许可,详见仓库 THIRD_PARTY_NOTICES.md。


七、反馈#

方案层面的问题,如规则好不好学、好不好猜、与已有方案相比值不值,请提到仓库的 Issues。

软件层面的问题见 README;代码审阅请先读 docs/REVIEW.md,那里写明了哪些验过、哪些没验过、哪些是已知欠账。

本页由仓库里的 docs/应物音形汉字键入方案.md 生成。