索引排序軟件開發(fā)*

王雅戈，葉繼元，黃建年，唐 強，桑 夢，楊 斐

1 索引排序演進

索引編制主要包括索引標(biāo)引和索引排序兩個方面。索引標(biāo)引主要通過人的智力勞動完成，需要人工辨別并選取索引標(biāo)目。索引排序主要是機械重復(fù)工作，最好借助自動化工具完成，這樣既能提高速度，還能保證準(zhǔn)確性。索引排序主要有標(biāo)目排序與合并兩個步驟。標(biāo)目排序，就是把不同的索引款目按照一定的順序依次排列。20世紀(jì)20年代到60年代四角號碼排序法比較流行，后來多用筆劃排序，現(xiàn)在則以拼音排序為主。標(biāo)目合并，就是把相同標(biāo)目去重，并把其后的頁碼按照從小到大的順序依次連接起來，頁碼之間用標(biāo)點符號或空格分隔，形成一條條索引款目。索引排序方式取決于讀者的閱讀和檢索習(xí)慣，按照圖式理論，讀者閱讀和自身已有體系相一致的知識時，即使不專門學(xué)習(xí)新的知識和技能，閱讀效率也會比較高[1]。目前漢語拼音普及化程度高，因此，索引排序以拼音音序法最容易為當(dāng)代讀者所接受。

2 索引排序軟件現(xiàn)狀

(1)辦公軟件。常用辦公軟件MICROSOFT OFFICE和WPS OFFICE都有漢字排序功能。OFFICE的WORD和EXCEL都能對漢字按行排序，既可以按漢語拼音音序排序，也可以按漢字筆畫排序，排序操作簡便，能直接在編輯窗口利用排序按鈕進行操作，一次性完成排序。辦公軟件排序最大的局限是不能自動合并相同標(biāo)目。

(2)索引軟件。CINDEXER、Macrex、SKYTM等國外索引軟件無法用于中文索引排序[2]。通用性最強的中文索引軟件“索引之星”[2]標(biāo)引效果良好，且具有一定的索引排序功能，但只能對索引標(biāo)目按拼音或筆畫排序，沒有對相同標(biāo)目進行合并及頁碼接續(xù)的功能。

(3)排序軟件。許多學(xué)者進行過中文索引排序軟件的研究開發(fā)[3-11]。這一類開發(fā)數(shù)量不少，但大多是臨時程序，通用性不強，有的甚至只能在本機上使用，沒有開源并發(fā)布，隨著索引編制工作結(jié)束，排序程序就被丟棄，無法推廣應(yīng)用，至今沒有成功開發(fā)出一個可供獨立運行的索引排序軟件。

3 索引排序軟件開發(fā)

(1)思路。索引排序軟件開發(fā)主要考慮：標(biāo)目合并、頁碼序接兩個功能；軟件的完整性、獨立性和通用性；用戶界面友好，操作簡便。

(2)架構(gòu)。索引排序軟件平臺使用B/S架構(gòu)，前臺采用面向?qū)ο箝_發(fā)工具Java或.net，服務(wù)器端采用關(guān)系型數(shù)據(jù)庫管理系統(tǒng)MySQL、應(yīng)用服務(wù)器Tomcat。用戶只需通過瀏覽器訪問服務(wù)器網(wǎng)站，即可進行編制索引操作。在B/S架構(gòu)下，平臺的維護成本集中在服務(wù)器上，客戶端只是瀏覽器，不需要做任何的維護。Tomcat和MySQL都是免費的，且對于中小型用戶來說足夠穩(wěn)定可靠。

(3)字庫。包括字庫容量和字符順序，不用考慮字體、字號。字庫容量和字符編碼標(biāo)準(zhǔn)密切相關(guān)，不同的編碼標(biāo)準(zhǔn)容納的字符數(shù)不同。通行的漢字編碼標(biāo)準(zhǔn)主要有：GB2312-1980收錄漢字0.6萬多個；Big-5收錄漢字1.3萬多個；GBK收錄漢字2.1萬多個；GB18030-2000收錄漢字2.7萬多個；GB18030-2005收錄漢字7萬多個；ISO/IEC10646/Unicode字符集收錄漢字大約8萬個；《通用規(guī)范漢字屬性字典》課題組已收錄漢字10萬個左右[12]，基本包括在現(xiàn)有文獻中所能見到的所有漢字字符。在如此多的字符集標(biāo)準(zhǔn)中，選擇匹配的標(biāo)準(zhǔn)很關(guān)鍵。索引排序分為簡體字排序和繁體字排序，兩種情況需要分開進行排序。按照“索引排序?qū)ο笮枨笤瓌t”，先確定所需排序的索引要用到多少漢字，再選用相應(yīng)字庫容量的字符標(biāo)準(zhǔn)。字符集越大，數(shù)據(jù)庫相應(yīng)增大，排序耗時越長，服務(wù)器需更快的處理速度，網(wǎng)絡(luò)傳輸需更大的帶寬，維護成本隨之相應(yīng)增大。如果簡體字用大字庫，成本增高；如果繁體字用小字庫，則無法排序。例如，地方志書單字多，人名、地名、職官名、物產(chǎn)名等專有名稱，經(jīng)常有異體字、避諱字等生僻字。以《上海府縣舊志》為例，原文為繁體字，索引也是繁體字，索引排序需要調(diào)用繁體字排序軟件。樣例如下[13]：

鷄縮腿 54

糯稻 54

羊鬚糯 54

紅蓮稻 54

深水紅 54

香沙糯 54

師姑粳 54

籠下歡 54

下馬看 54

十月青 54

(4)索引排序預(yù)處理。索引排序軟件處理的文檔一般為TXT格式。當(dāng)預(yù)先編制的索引標(biāo)引稿，無論是WPS WORD、MICROSOFT WORD格式，還是EXCEL、TXT格式，甚至數(shù)據(jù)庫格式，都要進行轉(zhuǎn)換。如果是簡體字排序，需要轉(zhuǎn)換為ANSI編碼的TXT文檔；繁體字排序則需要轉(zhuǎn)換為UTF-8編碼的TXT文檔。需要注意的是，文本格式轉(zhuǎn)換時要保持索引標(biāo)引稿的版面不變。例如，標(biāo)目和頁碼之間的區(qū)分符號(如采用半角分號“；”)等應(yīng)前后統(tǒng)一。仍以《上海府縣舊志》索引為例，樣例如下[13]：

早糯；54

大麥；54

小麥；54

耦麥；54

蕎麥；54

黃豆；54

頁碼和標(biāo)點符號的優(yōu)先順序(漢字?jǐn)?shù)字、阿拉伯?dāng)?shù)字、羅馬數(shù)字，以及逗號、引號、句號)需要固定。二級標(biāo)目、三級標(biāo)目和一級標(biāo)目的自動區(qū)分規(guī)則都應(yīng)當(dāng)前后一致(如以行開頭每2字符空格為下一級，依此類推)。

(5)索引排序糾錯。在索引標(biāo)引實踐中，無論是手工標(biāo)引，還是利用軟件自動標(biāo)引，經(jīng)常會發(fā)生標(biāo)引錯誤，如有些標(biāo)目和頁碼之間的間隔符號缺失或標(biāo)錯、頁碼缺失或誤標(biāo)。當(dāng)標(biāo)引稿中有這些類似的格式錯誤時，排序軟件會報錯，不能識別標(biāo)引稿，無法完成排序。這時就需要人工校正標(biāo)引稿中的格式錯誤，當(dāng)索引標(biāo)引稿篇幅比較長時，靠人工發(fā)現(xiàn)錯誤的難度大、費時長，校對效率低，往往還會遺留錯誤。開發(fā)糾錯軟件可以為人工校對提供輔助，先把標(biāo)引稿搜索一遍，發(fā)現(xiàn)格式錯誤，顯示錯誤所在行的行號及整行內(nèi)容。排序人員可以根據(jù)提示快速準(zhǔn)確找到錯誤所在位置予以修改，再進行排序，就能得到正確的排序結(jié)果。

(6)運行。索引排序軟件已經(jīng)發(fā)布，使用非常快捷方便。以往的方式索引排序所需時間與標(biāo)引時間基本相當(dāng)，通常需要一到兩天。在索引家平臺上利用排序軟件，只需幾秒鐘即可完成一部索引的排序任務(wù)。

4 結(jié)語

索引排序軟件可以是一個集成型軟件，也可以是多個單一型軟件，兩種開發(fā)方案各有利弊。集成型索引排序軟件可以把所有功能集成于一體，用戶操作時按照需要，點擊開關(guān)鍵選擇功能進行操作就能實現(xiàn)。但這會增加索引排序軟件的維護負擔(dān)，有時一個不常用的功能鍵發(fā)生問題就可能導(dǎo)致整個軟件無法使用。如果把它們制作成功能單一型的多個軟件，則可以分別維護、分別使用，互不影響?！八饕摇毖邪l(fā)團隊選擇后一種開發(fā)方案，開發(fā)了一系列的多種索引排序軟件，包括拼音排序軟件、筆畫排序軟件、四角號碼排序軟件、排序糾錯軟件等，排序功能基本完善[14]，使用效果良好。這些排序軟件作為索引家平臺的重要組成部分，與索引標(biāo)引軟件共同承擔(dān)著中文索引建設(shè)的責(zé)任。