注意:本條目可能有部分字元無法顯示,若遇此情況請參閱Unicode擴充漢字說明文件。 |
中日韓統一表意文字(英語:CJK Unified Ideographs),也稱統一漢字、統漢碼(英語:Unihan),目的是要把分別來自中文、日文、韓文、越南文、壯文、琉球文中,起源相同、本義相同、形狀一樣或稍異的表意文字,在ISO 10646及Unicode標準賦予相同編碼。
所謂「起源相同、本義相同」、主要是漢字,包括繁體字、簡化字、日本漢字(漢字/かんじ)、韓國漢字(漢字/한자)、琉球漢字(漢字/ハンジ)、越南的喃字(𡨸喃/Chữ Nôm)與儒字(𡨸儒/Chữ Nho)、方塊壯字(𭨡倱/sawgun)。
歷史
1978年,日本產業規格制訂了基於ISO/IEC 2022的JIS C 6226,為全世界最早的漢字編碼,包含6349漢字。1980年代,中國臺灣地區(CCCII、CNS 11643)、中國(GB 2312)、韓國(KS C 5601)開始制訂了各自的編碼規範。這些規範彼此之間並無連繫。若要在一份檔案中同時使用,則要以跳脫字元的方式來交換。
1980年,日本的國立國會圖書館的高橋德太郎以書目學的觀點指出,統一的東亞漢字編碼系統有必要。同年,臺灣當局制定了三位元組的中文資訊交換碼,這是第一款期望可以一致處理中國、日本、韓國漢字的編碼。之後,美國的國會圖書館採用了此標準,並另外命名為東亞編碼字元(East Asia Coded Character,EACC,ANSI/NISO Z39.64)。
1984年,ISO的文字編碼委員會(ISO/TC 97/SC2)決議制訂出一套編碼規格(ISO 10646),是以交換文字集的方式來統一處理世界的文字。並成立了工作小組(ISO/TC 97/SC 2/WG 2)。這編碼一開始的構想是採用16位元,而對於日本及中國等國的漢字編碼則原封不動地加入。但若如此,中國當時所制訂的編碼都無法加入,因而反對,並在1989年提出各國漢字統合集合(Han Character Collection,HCC)的構想。
1990年完成了ISO 10646的初版草案(DIS 10646)。漢字用32位元表示,並將各國的漢字編碼原封不動加入。但中國認為,若各國各自為漢字編碼,將不利於統一處理漢字,因而反對。為了日後能順利討論漢字編碼及處理有關方針,並呼籲WG 2特別設置了中日韓聯合研究小組(CJK-JRG,Joint Research Group,為表意文字小組的前身),以持續討論。
另一方面,1987年,施樂的Joe Becker和Lee Collins開發了統合處理全世界所有文字的統一碼。1989年發表了統一碼概要。基本為16位元。於是,中、日、韓的漢字統合了。基本方針以16位元處理所有文字。1990年完成了基於此方針的最終草案。1991年1月,大致同意此方案的企業成立了統一碼聯盟。中、日、韓類似的漢字使用約二萬多字。為了未來擴充,保留了三萬漢字以供其它用途。
1991年,各國希望能以一致的方式處理文字,否決了ISO/IEC 10646的初版草案。基於中國與統一碼聯盟的提議,ISO 10646和統一碼成立了中日韓聯合研究小組。中日韓聯合研究小組將基於各國的漢字編碼,獨自訂定規範、製作ISO 10646和統一碼的統一漢字編碼。年尾完成了Unified Repertoire and Ordering(URO)。1992年,URO加入ISO 10646的第二版,但發現一些缺失,之後修正。
1993年5月正式制訂最初的「中日韓統一表意文字」位於U+4E00—U+9FFF,共20902字;不過漢字「〇」(U+3007)誤當數字放入符號和標點區。一個月後制訂了統一碼1.1。
1999年,依據ISO/IEC 10646的第17修正案(Amendment 17)訂定擴充區A,於U+3400—U+4DFF加入6582漢字。
2001年,依據ISO/IEC 10646-2新增擴充區B,於U+20000—U+2A6FF有42711漢字;但短時間內增加大量漢字,產生許多重複字形。
2005年,依據ISO/IEC 10646:2003的第一修正案(Amendment 1),基本多文種平面增加U+9FA6—U+9FBB,共22漢字。
2009年,統一碼5.2擴充區C增加U+2A700—U+2B734,基本多文種平面增加U+9FC4—U+9FCB。
2010年,統一碼6.0擴充區D增加U+2B740—U+2B81F。
2012年,統一碼7.0基本多文種平面增加1漢字:U+9FCC。
2015年,統一碼8.0擴充區E增加U+2B820—U+2CEAF,基本多文種平面增加U+9FCD—U+9FD5。
2017年,統一碼10.0擴充區F增加U+2CEB0—U+2EBEF,基本多文種平面增加U+9FD6—U+9FEA。
2018年,統一碼11.0基本多文種平面末尾增加5漢字:U+9FEB—U+9FEF。
2020年,統一碼13.0增加4969漢字,其中4939字位於第三平面的擴充區G,碼位爲U+30000—U+3134A。同時,亦在基本區增加13字:U+9FF0—U+9FFC,在擴充A區增加10字:U+4DB6—U+4DBF,在擴充B區增加7字:U+2A6D7—U+2A6DD。
2021年,統一碼14.0基本多文種平面末尾增加3漢字:U+9FFC—U+9FFF。同時,亦在擴充B區增加2字:U+2A6DE—U+2A6DF,在擴充C區增加4字:U+2B735—U+2B738。
2022年,統一碼15.0增加4193漢字,其中4192字位於第三平面的擴充區H,碼位爲U+31350—U+323AF。同時,亦在擴充C區增加7字:U+2B739。
另外,第三平面的U+31400—U+33D1F預計放置小篆,U+33E00—U+355FF預計放置甲骨文,相關提案已經提交。按路線圖,該平面還會收錄金文、簡帛文、陶文、鳥蟲書等[1]。
版本
ISO 10646版本 | Unicode版本 | 新增 | 置放平面 | 字數 | 累計字數 |
---|---|---|---|---|---|
1993 | 1.0 | 中日韓統一表意文字(U+4E00–U+9FA5) | 基本多文種平面 | 20,902 | 20,915 |
1個漢字(U+3007,〇),於中日韓符號和標點區 | 基本多文種平面 | 1 | |||
位於「相容表意文字區」中但實則獨一的漢字(U+FA0E﨎、U+FA0F﨏、U+FA11﨑、U+FA13﨓、U+FA14﨔、U+FA1F﨟、U+FA21﨡、U+FA23﨣、U+FA24﨤、U+FA27﨧、U+FA28﨨、U+FA29﨩)[注 1] | 基本多文種平面 | 12 | |||
2000 | 3.0 | 中日韓統一表意文字擴充區A(U+3400–U+4DB5) | 基本多文種平面 | 6,582 | 27,497 |
2001 | 3.1 | 中日韓統一表意文字擴充區B(U+20000–U+2A6D6) | 第二輔助平面 | 42,711 | 70,208 |
2003第一修訂版 | 4.1 | HKSCS-2004中未加入ISO 10646的漢字(U+9FA6–U+9FB3,龦龧龨龩龪龫龬龭龮龯龰龱龲龳)和GB 18030-2000中未加入ISO 10646的印刷業常用的偏旁和字形部件(U+9FB4–U+9FBB,龴龵龶龷龸龹龺龻) | 基本多文種平面 | 22 | 70,230 |
2003第四修訂版 | 5.1 | 7個日語漢字[3](U+9FBC–U+9FC2,龼龽龾龿鿀鿁鿂),U+4039䀹拆分為U+4039䀹和U+9FC3鿃[4] | 基本多文種平面 | 8 | 70,238 |
2003第五修訂版 | 5.2 | 中日韓統一表意文字擴充區C(U+2A700–U+2B734) | 第二輔助平面 | 4,149 | 74,395 |
2003第六修訂版 | 2個日語用漢字(ARIB #47、#95,U+9FC4鿄,U+9FC5鿅)、1個新增漢字(ARIB #93,U+9FC6鿆)、在HKSCS-2004推出後新增的5個香港漢字[5](U+9FC7–U+9FCB,鿇鿈鿉鿊鿋) | 基本多文種平面 | 8 | ||
2010 | 6.0 | 中日韓統一表意文字擴充區D(U+2B740–U+2B81D) | 第二輔助平面 | 222 | 74,617 |
2012 | 6.1 | 1個漢字(U+9FCC鿌) | 基本多文種平面 | 1 | 74,618 |
2015 | 8.0 | 中日韓統一表意文字擴充區E(U+2B820–U+2CEA1) | 第二輔助平面 | 5,762 | 80,389 |
「急用漢字」:《通用規範漢字表》餘下未收入的3個漢字(U+9FCD–U+9FCF,鿍䃮䥑),1個從U+4CA4(鿐)分離出來的字U+9FD0(鿐),5個其他圖書用字及化學元素用字(U+9FD1–U+9FD5,鿑鿒鿓鎶鿕) | 基本多文種平面 | 9 | |||
2017 | 10.0 | 中日韓統一表意文字擴充區F(U+2CEB0–U+2EBE0) | 第二輔助平面 | 7,473 | 87,883 |
21個漢字(U+9FD6–U+9FEA,鿖鿗鿘鿙鿚鿛鿜鿝鿞鿟鿠鿡鿢鿣鿤鿥鿦鿧鿨鿩鿪) | 基本多文種平面 | 21 | |||
2018 | 11.0 | 5個漢字(U+9FEB–U+9FEF,鿫鿬鉨鿮鿯),前三個是新命名的化學元素用字,後兩字來自日本 | 基本多文種平面 | 5 | 87,888 |
2020 | 13.0 | 中日韓統一表意文字擴充區G(U+30000–U+3134A) | 第三輔助平面 | 4939 | 92,857 |
急用科學與技術用字[6](U+9FF0–U+9FFC,鿰鿱鿲鿳鿴鿵鿶鿷鿸鿹鿺鿻鿼)、10個需分離的漢字[7][8][9](U+4DB6–U+4DBF,䶶䶷䶸䶹䶺䶻䶼䶽䶾䶿) | 基本多文種平面 | 23 | |||
崑曲工尺譜用字[10](U+2A6D7–U+2A6DD,𪛗𪛘𪛙𪛚𪛛𪛜𪛝) | 第二輔助平面 | 7 | |||
2021 | 14.0 | 3個漢字(U+9FFD–U+9FFF,鿽鿾鿿) | 基本多文種平面 | 3 | 92,866 |
2個漢字(U+2A6DE–U+2A6DF,𪛞𪛟) | 第二輔助平面 | 2 | |||
4個漢字(U+2B735–U+2B738,𫜵𫜶𫜷𫜸) | 第二輔助平面 | 4 | |||
2022 | 15.0 | 中日韓統一表意文字擴充區H(U+31350–U323AF) | 第三輔助平面 | 4192 | 97059 |
1漢字(U+2B739,𫜹) | 第二輔助平面 | 1 | |||
2023 | 15.1 | 中日韓統一表意文字擴充區I(U+2EBF0-U+2EE5F) | 第二輔助平面 | 622 | 97681 |
成員機構
- Unicode 協會及美國
- 中國
- 中國香港特別行政區(政府資訊科技總監辦公室轄下中文介面諮詢委員會)
- 中國澳門特別行政區(資訊系統中文編碼工作小組,由行政公職局協調)
- 台北市電腦商業同業公會(TCA)(中國台灣)
- 日本
- 朝鮮
- 韓國
- 越南
- 馬來西亞(2008年11月第31次IRG會議加入)
- 英國
- 大藏經文字數據庫委員會(大蔵経テキストデータベース委員会,SAT)
收字來源
總計
提交源(類別) | 提交量 |
---|---|
中國(國家標準) | 65941 |
中國香港 | 17654 |
中國澳門 | 344 |
中國台灣 | 58597 |
日本 | 16148 |
南韓 | 20739 |
北韓 | 23795 |
越南 | 13278 |
英國 | 2503 |
大藏經文字數據庫委員會 | 3455 |
統一碼協會 | 1019 |
總計 | 223653 |
最初期統一漢字
最初期共20902統一漢字,範圍為U+4E00-U+9FA5,收字來源包括以下字集[11]:
類別 | 來源代碼 | 名稱 | 字數 |
---|---|---|---|
中國 國標源(G) |
G0 | GB 2312-80 | 6763 |
G1 | GB 12345-90 | 2352(含58香港字和92吏讀字,不包括和GB 2312重複的字) | |
G3 | GB 7589-87繁體版本 | 7237 | |
G5 | GB 7590-87繁體版本 | 7039 | |
G7 | 現代漢語通用字表 | 42(G0、1、3、5、8未包括的字) | |
G8 | GB 8565.2-89 | 290(G0、1、3、5未包括的字) | |
中國台灣源(T) | T1 | CNS 11643-1986第一字面 | 5401+9計量用漢字 |
T2 | CNS 11643-1986第二字面 | 7650 | |
TE | CNS 11643-1986第十四字面 | 6319+239中文資訊交換碼特字+10施樂字元集(Xerox Character Code Standard,XCCS)特字 | |
日本源(J) | J0 | JIS X 0208-90 | 6335+非漢字1個(仝)[12] |
J1 | JIS X 0212-90 | 5801 | |
韓國源(K) | K0 | KS C 5601-87 | 4888(含268重見字[13]) |
K1 | KS C 5657-91 | 2856 | |
委員會源(U) | KS C 5601-1987(當中重複的漢字) | ||
美國國會圖書館之東亞字元編碼(East Asia Character Code,簡稱EACC;標準號ANSI Z39.64-1989)[14] | |||
大五碼 | |||
中文資訊交換碼第一字面 | |||
GB 12052-89(漢字部分) | |||
JEF(富士通標準) | |||
中國電報碼 | |||
臺灣地區電報碼(CCDC) | |||
施樂中文編碼 | |||
人名用漢字准用字體表(人名用漢字許容字型表;日本) | |||
IBM選取的日本和韓國表意文字 |
其中,統一碼技術委員會源(U源)指,並非由表意文字小組所遞交的參考字集,而是委員會額外遞交作參考的字集標準。並且此來源的字集不適用原字集分離原則(見稍後)。
擴充A區
擴充A區包含有6592漢字,位置在U+3400-U+4DBF。這6千多漢字分別從以下字典或字集取得:
類別 | 來源代碼 | 名稱 | 字數 |
---|---|---|---|
中國國標源(G) | G_KX | 《康熙字典》 | 5357(獨有1892字) |
G_HZ | 《漢語大字典》 | 5888(獨有339字) | |
G3 | GB 7589-87繁體版本 | 2391 | |
G5 | GB 7590-87繁體版本 | 1226 | |
G7 | 現代漢語通用字表 | 120 | |
GS | 新加坡漢字 | 226 | |
中國台灣源(T) | T3 | CNS 11643-1992第三字面(原為CNS 11643-1986第十四字面)新加入字元 | 2178 |
T4 | CNS 11643-1992第四字面 | 2917 | |
T5 | CNS 11643-1992第五字面 | 395 | |
T6 | CNS 11643-1992第六字面 | 197 | |
T7 | CNS 11643-1992第七字面 | 133 | |
TF | CNS 11643-1992第十五字面 | 86 | |
日本源(J) | JA | 日本資訊科技零售商統一當代表意文字(1993) | 574 |
韓國源(K) | K2 | PKS C 5700-1:1994 | |
K3 | PKS C 5700-2:1994 | 1834 | |
越南源(V) | V0 | TCVN 5773:1993 | 138 |
V1 | TCVN 6056:1995 |
擴充B區
擴充B區有42717漢字,位置在U+20000-U+2A6DD。根據IRG N777號檔案,這四萬多漢字分別從以下字典或字集中取得:
類別 | 來源代碼 | 名稱 | 字數 |
---|---|---|---|
中國 國標源(G) |
G_KX | 《康熙字典》 | 18486(包括在補遺篇出現的一字) |
G_HZ | 《漢語大字典》 | 28914 | |
G_CY | 《辭源》 | 66 | |
G_CH | 《辭海》 | 247 | |
G_HC | 《漢語大詞典》 | 553 | |
G_BK | 《中國大百科全書》 | 86 | |
G_FZ | 北大方正排版系統 | 65 | |
G_4K | 《四庫全書》 | 522 | |
中國香港源(H) | H | 香港增補字符集(HKSCS) | 1081 |
中國台灣源(T) | T4 | CNS 11643-1992第四字面 | 3408 |
T5 | CNS 11643-1992第五字面 | 8111 | |
T6 | CNS 11643-1992第六字面 | 5934 | |
T7 | CNS 11643-1992第七字面 | 6299 | |
TF | CNS 11643-1992第十五字面 | 6401 | |
日本源(J) | J3 | JIS X 0213:2000,level 3 | 25 |
J3A | JIS X 0213:2004,level 3 | 1 | |
J4 | JIS X 0213:2000,level 4 | 277 | |
韓國源(K) | K4 | PKS 5700-3:1998 | 166 |
朝鮮源(KP) | KP0 | KPS 9566-97 | |
KP1 | KPS 10721-2000 | 5766 | |
越南源(V) | V2 | VHN 01:1998 | 2290 |
V3 | VHN 02:1998 | 425 |
這些漢字有不少重複,經整理後實際只有42711漢字。另外,U+2F800-U+2FA1D放了來自臺灣的542相容漢字。
統一碼4.1漢字
為使統一碼向下相容GB 18030和香港增補字符集(HKSCS)的所有漢字,而擴充C區又遲遲未能出籠,4.1版引進了香港增補字符集的14用字和GB 18030的8用字。該22字編於U+9FA6-U+9FBB。
另外,U+FA70-U+FAD9放了來自朝鮮的106相容漢字。
統一碼5.1漢字
2008年4月推出的統一碼5.1版收錄7個由日本Adobe公司遞交的日語漢字(U+9FBC-U+9FC2)[15],和鿃(大字加兩個入字,就如陝西省的陝字換上目字旁)(U+9FC3)。本來統一碼3.0收錄了目字旁加夾(大字加兩個人字)字的「䀹」(U+4039),目字旁加㚒字的字,與「䀹」無論意義和發音均不同,故魏安(Andrew West)和井作恆(John H. Jenkins)申請追加此字[16]。
擴充C區
於2009年10月發佈的統一碼5.2涵蓋了擴充C區,共收錄4149漢字,包括來自中國大陸、澳門、臺灣、日本和越南等尚未編碼的漢字,在U+2A700-U+2B734。這四千多漢字分別從以下字典或字集取得:
類別 | 來源代碼 | 名稱 | 字數 |
---|---|---|---|
中國 國標源(G) |
G_BK | 《中國大百科全書》 | 74 |
G_FZ | 北京大學方正排版系統 | 1 | |
G_HZ | 《漢語大字典》 | 1 | |
G_HC | 《漢語大詞典》 | 14 | |
G_GH | 《古代漢語詞典》 | 50 | |
G_GJZ | 商務印書館用字 | 61 | |
G_XC | 《現代漢語詞典》 | 25 | |
G_CH | 《辭海》 | 264 | |
G_KX | 《康熙字典》及補遺 | 6 | |
G_CYY | 中國測繪科學研究院用字 | 55 | |
G_ZFY | 《漢語方言大辭典》 | 202 | |
G_ZJW | 《殷周金文集成引得》 | 366 | |
中國台灣源(T) | TC | CNS 11643-1992第12字面 | 634 |
TD | CNS 11643-1992第13字面 | 767 | |
TE | CNS 11643-1992第14字面 | 350 | |
澳門源 | MAC | 澳門資訊系統字集(Colectânea dos Caracteres Chineses dos Sistemas Informáticos de Macau) | 16 |
日本源(J) | JK | 日本國字集(Japanese KOKUJI Collection) | 367 |
韓國源(K) | K5 | 韓國表意文字小組漢字集第五版(2001,Korean IRG Hanja Character Set 5th Edition: 2001) | 404(當中主要包含古代字例) |
朝鮮源(KP) | KP1 | KPS 10721:2003 | 5357(獨有1892字) |
越南源(V) | V4 | 《喃字詞典》(Từ điển chữ Nôm)[阮光紅(Nguyễn Quang Hồng),2006] | |
《岱喃字字典》(Từ điển chữ Nôm Tày,Hoàng Triều Ân,2006) | |||
《沔南喃字榜查》(Bảng tra chữ Nôm miền Nam,Vũ Văn Kính,1994) | |||
委員會源(U) | ABC Chinese-English Dictionary(德范克,John DeFrancis等,第二版(1998),火奴魯魯:夏威夷大學出版社) | ||
耶穌基督後期聖徒教會香港分會用字 | |||
Mathews' Chinese-English Dictionary(Robert H. Mathews(1975),劍橋:哈佛大學出版社) | |||
宋本《廣韻》 | |||
《中國鳥類系統檢索》(鄭作新等,北京:科學出版社,2000) | |||
段玉裁《說文解字注》 |
擴充D區
擴充D區包含的都是所謂的「急用漢字」,合共222新漢字,於2010下半年發佈的統一碼6.0中,編碼範圍為U+2B740-U+2B81F(實際有字元為U+2B740-U+2B81D)。
擴充D區原本計劃放置擴充C區未收錄的16000多漢字,但在2007年5月,臺灣當局撤消了6545個第二部分字集內私用漢字,不再使用字,原因是那些人名用字的擁有人已去世或移居外地[17],此後擴充D區縮減到大約10000字左右[18]。由於各種阻礙,協定先把數量較少,又急切要收錄的漢字提交出來,就是「急用漢字」,以便和統一碼6.0.0版一起發表。提出的急用漢字只有二百二十二字(本來有二百二十三字,但日本撤回其中一字)。現在文字小組把第二部分字集延後到擴充E區。
類別 | 來源代碼 | 名稱 | 字數 |
---|---|---|---|
中國 國標源(G) |
G_CH | 《辭海》 | 1 |
G_IDC | 公安部身份證系統人名和地名用字 | 31 | |
G_XC | 《現代漢語詞典》 | 4 | |
G_ZH | 《中華字海》 | 39 | |
中國台灣源(T) | TB | CNS 11643-2007第11平面24字(台灣當局教育主管部門閩客方言用字) | 24 |
日本源(J) | JH | 通用電子情報交換環境整備計劃(汎用電子情報交換環境整備プログラム,日本經濟產業省提出的人名和地名用字) | 108 |
委員會源(U) | Adobe-Japan1-5和Adobe-CNS1-5字體裏的異體字 | 15 |
擴充E區
擴充E區亦在2015年6月17日的統一碼8.0中發佈,放置於編碼範圍U+2B820-U+2CEAF。
擴充E區本應包含擴充D區未收錄的10000多個漢字,但在2008年11月,中國大陸以「難以逐個找證據」為理由,撤消了3215漢字[19],這些漢字主要用於地名、人名、姓氏,亦有數百個《中國大百科全書》中的文字。這是繼台灣撤消6545字之後的又一次大規模撤消。之後又經過長時間的檢查處理,E區最終定稿,共5762字[20]。
這些漢字來源如下:
類別 | 來源代碼 | 名稱 | 字數 |
---|---|---|---|
中國 國標源(G) |
G_BK | 《中國大百科全書》 | 15 |
G_CH | 《辭海》 | 112 | |
G_CY | 《辭源》 | 3 | |
G_CYY | 中國測繪科學院用字(地名用字) | 98 | |
G_DZ | 地質出版社用字 | 1 | |
G_GH | 《古代漢語詞典》 | 176 | |
G_HC | 《漢語大詞典》 | 7 | |
G_IDC | 公安部身份證系統人名和地名用字 | 36 | |
G_JZ | 商務印書館用字 | 147 | |
G_KX | 《康熙字典》 | 22 | |
G_RM | 人民日報用字 | 3 | |
G_WZ | 漢語大詞典出版社用字 | 12 | |
G_XC | 《現代漢語詞典》 | 57 | |
G_XH | 《新華字典》 | 4 | |
G_ZFY | 《漢語方言大辭典》 | 712 | |
G_ZJW | 《殷周金文集成引得》 | 1410 | |
中國台灣源(T) | TC | CNS 11643-1992第12平面323字(台灣人名用字) | 323 |
TD | CNS 11643-1992第13平面595字(台灣人名用字) | 595 | |
TE | CNS 11643-1992第14平面339字(台灣人名用字) | 339 | |
日本源(J) | JK | 日本國字集 | 415 |
澳門源(M) | MAC | 澳門資訊系統字集 | 48 |
委員會源(U) | UTC | 從各處收集到的未收錄漢字 | 227 |
越南源(V) | V4 | 《喃字詞典》(Từ điển chữ Nôm)[阮光紅(Nguyễn Quang Hồng),2006] | 1028 |
《岱喃字字典》(Từ điển chữ Nôm Tày,Hoàng Triều Ân,2006) | |||
《沔南喃字榜查》(Bảng tra chữ Nôm miền Nam,Vũ Văn Kính,1994) |
急用漢字
「急用漢字」是擴充E區整理後期,各地新發現並急於使用,又等不及放入擴充F區的字;和擴充E區一起收入統一碼8.0,位置在U+9FCD-U+9FD5;當中中國在此處申請收入三字,連同擴充E區的字,通用規範漢字表的8105字至此全部收入。
擴充F區
擴充F區在2017年6月20日的統一碼10.0發佈,編碼範圍為U+2CEB0-U+2EBEF。
擴充F區來源於新提交的一批漢字,主要包括一千多方塊壯字及數千個佛經、古籍中的用字以及日本戶籍用字,共有7473字。
這些漢字的來源如下:
類別 | 來源代碼 | 名稱 | 字數 |
---|---|---|---|
中國 國標源(G) |
G_CY | 《辭源》 | 122 |
G_FC | 《現代漢語規範詞典》 | 27 | |
G_IDC | 公安部身份證用字 | 1 | |
G_LGYJ | 《壯族嘹歌研究》 | 1 | |
G_OCD | 《牛津英漢漢英詞典》 | 2 | |
G_PGLG | 《壯族民歌文化叢書·平果嘹歌》 | 70 | |
G_XHZ | 《新華大字典》 | 51 | |
G_Z | 《古壯字字典》 | 995 | |
G_ZJW | 《殷周金文整合引得》 | 33 | |
G_ZYS | 《壯族人民的文化遺產——方塊壯字》《中國民族古文字研究》 | 2 | |
日本源(J) | JMJ | 日本文字資訊基礎工程 | 1645 |
韓國源(K) | KC | 韓國歷史情報統合系統 | 1793 |
澳門源(M) | MAC | 澳門資訊系統字集 | 22 |
大藏經研究組(SAT) | USAT | 《大正新修大藏經》(SAT版) | 2884 |
委員會源(U) | UTC | 從各處收集到的未收錄漢字 | 1 |
擴充G區
於2020年3月10日公佈的統一碼13.0中在第三輔助平面收錄擴充區G的4939漢字,碼位為U+30000-U+3134A[21][22]。
這些漢字的來源如下(部分字元來自多於一處來源,所以下表總數多於收錄總數4939字):
類別 | 來源代碼 | 名稱 | 字數 |
---|---|---|---|
中國 國標源(G) |
G_HZR | 《漢語大字典》(第二版) | 878 |
G_PGLG | 《壯族民歌文化叢書·平果嘹歌》 | 13 | |
G_Z | 《古壯字字典》 | 1191 | |
韓國源(K) | KC | 韓國歷史情報統合系統(한국 역사 정보 통합 시스템) | 428 |
中國台灣源(T) | T13 | CNS 11643第19字面(將設立的新平面) | 347 |
TB | CNS 11643第11字面 | 3 | |
TC | CNS 11643第12字面 | 2 | |
TD | CNS 11643第13字面 | 1 | |
英國源(UK) | UK | IRG N2107R2 | 1566 |
大藏經研究組(SAT) | USAT | 《大正新修大藏經》(SAT版) | 329 |
委員會源(U) | UTC | 從各處收集到的未收錄漢字 | 239 |
擴展H區
2022年9月13日公佈的統一碼15.0在第三輔助平面收錄擴充區H的4192漢字,碼位為U+31350-U+323AF。
這些漢字的來源如下(部分字元來自多於一處來源,下表總數多於收錄總數4192字):
類別 | 來源代碼 | 名稱 | 字數 |
---|---|---|---|
中國 國標源(G) |
GDM | 中華人民共和國公安部治安管理局地名漢字 | 128 |
GHC | 漢語大詞典 | 27 | |
GKJ | 全國科學技術名詞審定委員會術語定名用字 | 30 | |
GLGYJ | 壯族嘹歌研究 | 11 | |
GPGLG | 壯族民歌文化叢書•平果嘹歌 | 14 | |
GXM | 217 | ||
GZ | 古壯字字典 | 285 | |
GZA-1 | 生生不息的傳承•孝與壯族行孝歌之研究 | 6 | |
GZA-2 | 壯族倫理道德長詩傳揚歌譯註 | 38 | |
GZA-3 | 壯族民歌古籍整合•情歌(一)嘹歌 | 2 | |
GZA-4 | 壯族民歌古籍整合•情歌(二)歡𭪤 | 11 | |
GZA-6 | 中國壯族諺語 | 59 | |
GZA-7 | 遠古的追憶•壯族創世神話古歌研究 | 1 | |
韓國源(K) | KC | 韓國歷史情報統合系統 | 512 |
朝鮮源(KP) | KP1 | KPS 10721-2000 | 1 |
中國台灣源(T) | T12 | TCA-CNS 11643第十八平面 | 7 |
T13 | TCA-CNS 11643第十九平面 | 696 | |
T4 | CNS 11643-1992第四平面 | 1 | |
T6 | CNS 11643-1992第六平面 | 1 | |
TB | CNS 11643-2007第十一平面 | 4 | |
TC | CNS 11643-2007第十二平面 | 3 | |
TE | CNS 11643-2007第十四平面 | 2 | |
英國源(UK) | UK | IRG N2232R | 917 |
越南源(V) | V0 | TCVN 5773:1193 | 6 |
V4 | 漢喃編碼字彙 | 74 | |
VN | 越南橫向擴充用字 | 851 | |
大藏經研究組(SAT) | 大藏經文字數據庫 | 241 | |
委員會源(U) | UTC | 161 |
擴充I區
2023年9月12日公佈的統一碼15.1在第二輔助平面收錄擴充區I的622個漢字,碼位為U+2EBF0-U+2EE5F。
這些漢字的來源如下:
類別 | 來原始碼 | 名稱 | 字數 |
---|---|---|---|
中國國標源(G) | GIDC23 | 公安部身份證系統人名和地名用字2023版 | 622 |
認同原則與原字集分離原則
表意文字認同原則(Han Unification Rule,又稱表意文字統合原則)與原字集分離原則(Source Separation Rule,又稱來源字集分離原則、原規格分離原則、字源分離原則),是兩個對立的原則,它們是Unicode整理中日韓統一表意文字的基礎。
東亞各國字形多有微妙的差異。如「房」字的第一筆,韓國傳統漢字字形、台灣當局教育主管部門的標準字體作撇「房」;香港教育參考字形、中國大陸規範作點「房」;日本標準作橫「房」。又如「次」字的左旁,韓國採用傳統字形,首筆爲橫,次筆爲挑;台灣當局教育主管部門作兩橫;大陸、日本、中國香港等則作「冫」(俗稱兩點水)。這種程度的差異,理想上是整併為一個字為佳。否則,要是凡異體字都收進不同碼位裏,Unicode收錄的漢字就會過於臃腫,用戶搜尋時也會因異體問題而找不到想要的結果。
然而,從之前各種受挫之文字整併計劃的經驗得知,整合字集與現行通用字集(Big5或國標碼)等無法一一對應,是推行整合字集的最大阻礙。例如,日本的JIS編碼同時收錄了「剣」字與「劍」字,原本JIS檔案裏這兩個字可以並存。如果採用整合字集後,它們會變成同一個字,就會造成使用上的困擾。而且,如果將多個不同地區字形合併,會影響閱讀者,令用戶不習慣並非以往所見字形;更有可能引致閱讀者因習慣而書寫不屬於自己地區的字形(或地區性的異體字)。
於是,表意文字認同原則與原字集分離原則就應運而生。
在表意文字認同原則下,Unicode「只對字(Character),而不對字形(Glyph)」編碼,會把同一字的不同字形(即異體字)合併。好像上述的「次」字,在Unicode裏會整併成一個碼。又例如不同地區而有不同寫法的部首,如「⻌(中國大陸規範、日本新字體)、⻍(港臺舊字形、韓國、日本舊字體)、⻎(台灣當局教育主管部門)」、「礻(中國大陸規範、台灣當局教育主管部門)、礻(日本新字體)、⺬(日本舊字體、韓國、港臺舊字形)」、「爫(中國大陸、港臺新字形)、⺥(舊字形)」等,會合併編碼。這些部首的寫法差異就會交由字型處理。比如說,使用依中國大陸漢字標準《印刷通用漢字字形表》的字體下(如中易宋體、微軟雅黑體)便會出現「⻌、爫」;使用台灣當局教育主管部門標準字體(如微軟正黑體或新版細明體,但非舊版細明體[注 3])就會出現「⻎、爫」等字形。這大大解決了因地區而異之部首寫法。
至於原字集分離原則是指,在上述所列出之各種收字來源裏,若有任何字集同時收了兩種以上的文字字形,則在Unicode中日韓統一表意文字中,也同時收錄這些字。這樣一來,現行的各種原有字集與Unicode漢字可以一一對應。比如「房」字,各地字集都沒有分別編碼,就只編進一個碼位,部首第一筆的寫法交由字型處理。然而,「戶」、「户」、「戸」這三個字,在一些地區標準裏是分別編碼的,Unicode則以三個碼位來分別收錄它們。上述的「剣」與「劍」也一樣,被安放到不同的碼位中。
基於上述運作,Unicode能大幅減少收錄漢字字數,同時讓地區編碼過渡至Unicode時,字集裏的字元不會有流失。但是,原字集分離原則破壞了Unicode「只對字,而不對字形」編碼之原則,使某些漢字獲得兩個或多個編碼,亦遭受不少批評。
後來的一些重複漢字會使用「相容區」提供暫存編碼,可通過歸一化(normalization)步驟移除。一般的漢字輸入法,以及多數漢字字型,也不支援相容區字元。
另外,原字集分離原則只適用於最初Unified Repertoire and Ordering(URO)的20,902字,換言之,由「擴充區A」開始就不再適用。原因是個別地區提交了不少僅有十分輕微差異的字樣,比如台灣地區《異體字字典》裏的各種異體,要求Unicode分別編碼。然而,那些字樣所建基的地區編碼,並非該地區的通用編碼,例如是中文標準交換碼(台灣實際通行的編碼是Big5碼)。若Unicode全面採納,將會令Unicode對異體字的處理更混亂。
今天,異體字選擇器(Variation Sequence)以及Adobe常用的CID字型等技術,已容許在一個Unicode編碼裏收錄和調用兩個或多個漢字字樣,原字集分離原則在今天已成爲過時技術的副產品。
起源不同原則
留意的是,可以整併的字只限異體字。如果有些漢字,它的音、義根本不一樣,是兩個不相同的字,即使它們外形相近,寫法差異比另一些整併的字少,但仍不能合併。這規則稱爲起源不同原則(Noncognate Rule)。
擧例說:「土」和「士」雖然形似,卻是兩個不同的字,我們不可以整併它們。然而,日本、韓國、中國內地與香港等地的「寺」字,與台灣當局教育主管部門的「寺」字,兩者頂部分別是「土」和「士」,但它們音義全同,是同一字的異體,於是就能夠整併。
其他起源不同的例子還有「朏」與「胐」(「月偏旁」與「肉偏旁」對立)、「胄」與「冑」(「肉底」與「冃底」對立),「柿」和「杮」(右方「市部件」與「巿部件」對立),「汨」和「汩」(右方「日部件」與「曰部件」對立),「陝」與「陜」(右旁「夾部件」與「㚒部件」對立)等。
然而,漢字中有「同形字」的現象,有兩個或多個讀音與字義,雖然字源不同,卻由同一字形表達出來。比如漢字「芸芸眾生」的「芸」,與日本漢字「藝」字的新字型「芸」,是同形字。要是這些同形字,在字形上確實相同而非相似(「芸」字的草頭雖然有三筆的「⺾」、四筆的「⺿」等不同寫法,但它們都指同一部件,沒有形成對立),就不會應用起源不同原則。
統漢字資料庫
統漢字資料庫(英語:Unihan database)是統一碼聯盟所維護的資料庫檔案。其為統漢字的每個漢字做了說明,內容包含:
其資料庫透過以下幾種方式發佈:
- 統一碼聯盟維護的網站版本[23]。
- 可供下載的TXT文字檔案。
- 基於上述檔案開發的第三方版本。
已統一漢字
原則上ISO 10646只對字(Character),而非字形(Glyph)編碼。同一字各地可使用自己的標準寫法。以下使用HTML標示同一編碼的字在不同地區的寫法(但只是讀者的瀏覽器所提供的字型,未必代表該地區的標準寫法)。
- 例子
Unicode | 中文 | 日文 | 韓文 | 越文 | ||
---|---|---|---|---|---|---|
中國大陸 | 臺灣 | 香港 | ||||
U+623F | 房 | 房 | 房 | 房 | 房 | 房 |
U+6C49 | 汉[注 4] | |||||
U+6E2F | 港 | 港 | 港 | 港 | 港 | 港 |
U+6F22 | 漢 | 漢 | 漢 | 漢 | 漢 | 漢 |
U+6FB3 | 澳 | 澳 | 澳 | 澳 | 澳 | 澳 |
U+76F4 | 直 | 直 | 直 | 直 | 直 | 直 |
U+7A97 | 窗 | 窗 | 窗 | 窗 | 窗 | 窗 |
U+89D2 | 角 | 角 | 角 | 角 | 角 | 角 |
U+8AA4 | 誤 | 誤 | 誤 | 誤 | 誤 | 誤 |
U+8BEF | 误[注 4] | |||||
U+8D77 | 起 | 起 | 起 | 起 | 起 | 起 |
U+9AA8 | 骨 | 骨 | 骨 | 骨 | 骨 | 骨 |
註:不是所有網頁瀏覽器均可分辨全部HTML的語言代碼(Language Code)並使用不同字形。如非某一地區的用戶看到的字形和當地通用的字形一樣,表示該用戶的瀏覽器不能分辨此標籤,或設置兩者以同一種字形顯示。
未統一漢字
有些字只是同一字在不同地區的寫法,理應統一,但因為原字集分離原則而只好分開編碼。由於KS X 1001、Big5、IBM 32、JIS X 0213、ARIB STD-B24、KPS 10721、CNS 11643中有太多字形非常接近,按Unicode標準應該統一,但是從編碼上分離的字。這些字只有正統的會編入正式字集(包括擴充區),不正統的編入「相容表意文字區」(Compatibility Ideographs)和位於「第二輔助平面」的「相容表意文字補充區」(Compatibility Ideographs Supplement)中。
範例:
Unicode | 字 | Unicode | 字 | Unicode | 字 |
---|---|---|---|---|---|
U+4E1F | 丟 | U+4E22 | 丢 | ||
U+514C | 兌 | U+5151 | 兑 | ||
U+518A | 冊 | U+518C | 册 | ||
U+5433 | 吳 | U+5434 | 吴 | U+5449 | 呉 |
U+543F | 吿 | U+544A | 告 | ||
U+5965 | 奥 | U+5967 | 奧 | ||
U+5968 | 奨 | U+596C | 奬 | U+734E | 獎 |
U+5986 | 妆 | U+599D | 妝 | ||
U+59CD | 姍 | U+59D7 | 姗 | ||
U+5C13 | 尓 | U+5C14 | 尔 | ||
U+5F54 | 彔 | U+5F55 | 录 | ||
U+6236 | 戶 | U+6237 | 户 | U+6238 | 戸 |
U+63FA | 揺 | U+6416 | 搖 | U+6447 | 摇 |
U+66A8 | 暨 | U+66C1 | 曁 | ||
U+69D8 | 様 | U+6A23 | 樣 | ||
U+6A2A | 横 | U+6A6B | 橫 | ||
U+6B65 | 步 | U+6B69 | 歩 | ||
U+7155 | 煕 | U+7199 | 熙 | ||
U+7D55 | 絕 | U+7D76 | 絶 | ||
U+7DA0 | 綠 | U+7DD1 | 緑 | ||
U+9AEA | 髪 | U+9AEE | 髮 | ||
U+9EAA | 麪 | U+9EAB | 麫 | ||
U+9EBC | 麼 | U+9EBD | 麽 | ||
U+9EC3 | 黃 | U+9EC4 | 黄 | ||
U+9ED1 | 黑 | U+9ED2 | 黒 |
自上表發表後,WG2亦調查過其他漢字[25],認為另一批屬於基本多文種平面的漢字,亦可考慮收編到ISO 10646 Annex S3。
技術問題
擴充B區的問題
擴充B區使用了輔助平面來擺放漢字,以致不少文書處理軟件都不能支援。例如,Microsoft Office 2000或之前的版本,即使電腦擁有擴充B區漢字字體,也只會顯示兩個方格。
另外,因擴充B區在整理上有缺陷,收錄了以下5個本來應該與其他漢字統一的字[26]:
- U+20457 𠑗 = U+34A8 㒨
- U+2420E 𤈎 = U+3DB7 㶷
- U+27144 𧅄 = U+8641 虁
- U+23515 𣔕 = U+204F2 𠓲
- U+249E9 𤧩 = U+249BC 𤦼
而在WG2 N1155[25]檔案中,亦列出了152對可考慮統一的漢字。
錯誤統一的問題
表意文字小組(IRG)處理文字時,遵循對字而不是對字形編碼的原則。但是有的字被錯誤統一編在同一個編碼之中,如編碼為U+2827C的漢字。2014年5月有人指出了這個問題[27]:
編碼 | 中國台灣源(TF-6127) | 中國香港源(H-8BAE) |
---|---|---|
U+2827C | 𨉼 | 𨉼 |
當惡和惡作為部件時是不應該統一的,因為惡和惡的繁簡性質不同。相關的規定中也並未提及惡和惡作為部件應當統一,況且𫫖和噁是分開編碼的。
但是當表意文字小組(IRG)收到這個問題後,認為應當保持統一[28]。因此這兩個字仍然在同一編碼之中。
註釋
參考文獻
- ↑ Roadmap to the TIP. 統一碼聯盟. [2018-06-03].
- ↑ Unicode 6.1,第410-411頁
- ↑ http://www.dkuug.dk/JTC1/SC2/WG2/docs/n3210.pdf
- ↑ http://www.dkuug.dk/jtc1/sc2/wg2/docs/N3196.pdf
- ↑ http://www.dkuug.dk/jtc1/sc2/wg2/docs/n3513.pdf
- ↑ 存档副本 (PDF). [2020-03-24].
- ↑ 存档副本 (PDF). [2020-03-24].
- ↑ 存档副本 (PDF). [2020-03-24].
- ↑ 存档副本 (PDF). [2020-03-24].
- ↑ 存档副本 (PDF). [2020-03-24].
- ↑ Unihan_IRGSources.txt (from Unihan.zip). [2023-01-04].
- ↑ 日本的「仝」本來視為同上符號,編排於中日韓符號和標點區的 U+3004 Hanazono fonts. fonts.jp. [2010-04-19].;但後來與正字區 U+4EDD 的字認同(統一)了,U+3004 改為日本標準符號
- ↑ 收入中日韓相容表意文字
- ↑ CJK Codes - CCCII and ANSI Z39.64-1989 (EACC). www.ibiblio.org. [2010-04-18].
- ↑ 存档副本 (PDF). [2011-09-09].
- ↑ 存档副本 (PDF). [2011-09-09].
- ↑ IRG N 1306: Request to Withdraw 6545 T-Source from CJK D candidate (PDF). [2010-06-06].
- ↑ IRGN1319A1_MoveToCJK_D.pdf (PDF).
- ↑ 存档副本 (PDF). [2015年12月12日].
- ↑ 存档副本 (PDF). [2015-06-19].
- ↑ 存档副本 (PDF). [2020-03-11].
- ↑ 存档副本. [2020-03-11].
- ↑ 統漢字资料库. 統一碼聯盟. [2009-05-04].
- ↑ libUnihan主頁. libUnihan. [2009-05-04].
- ↑ 25.0 25.1 IRGN1155 Possible Duplicates (.zip) .
- ↑ 存档副本 (PDF). [2008-02-17].
- ↑ 存档副本 (PDF). [2015-06-20].
- ↑ ISO/IEC JTC1/SC2/WG2/IRG N2013,第5条 (PDF). [2015-06-20].
外部連結
- Unicode(統一碼)
- 漢字統合歷史
- 統漢字搜尋工具
- 表意文字變體數據庫
- Unicode Roadmap to the TIP
- 中日韓統一表意文字(PDF,34.0MB)
- 中日韓相容漢字(PDF,762kB)
- 中日韓相容漢字補充(PDF,601kB)
- 擴充A區漢字(PDF,6.58MB)
- 擴充B區漢字(PDF,38.7MB)
- 擴充C區漢字(PDF,3.16MB)
- 擴充D區漢字(PDF,215kB)
- 擴充E區漢字(PDF,3.44MB)
- 擴充F區漢字(PDF,4.33MB)
- 擴充G區漢字(PDF,2.13MB)