（计算机应用技术专业论文）基于cjk统一汉字扩充b的输入法研究.pdf

内蒙古大学硕士学位论文 基于c j k 统一汉字扩充b 的输入法研究 摘要 汉字输入法研究是自然语言处理的一个重要课题，自 g b l 8 0 3 0 - 2 0 0 5 颁布以来，许多研究人员一直在研究支持该超大字符 集的输入法，而本课题的主要研究目的是实现处于c j k 统一汉字扩充 b 区汉字的输入与显示。本文主要从输入法码表的制作和输入法程 序的编写两方面来详细介绍输入法的制作。该输入法码表采用笔画顺 序、笔画模糊匹配和部首+ 笔形码三种模式对四字节汉字进行编码， 在具体使用时，笔画输入法只需要按照汉字的书写顺序输入对应的键 盘码，就可以显示并输出目标汉字，笔画模糊匹配只需要输入汉字对 应笔画的前四笔和后四笔，即可输出目标汉字，部首+ 笔形输入法只 需按照笔形对应码将部首和汉字的编码通过键盘输入，便能输出对应 的汉字。 输入法的实现符合w i n d o w s 的i 删i m e 结构规范卜争“，是目前 输入法广泛采用的编程方法之一。由于处于c j k 统一汉字扩充b 区的 汉字主要出现在各种典籍文献中，因此基于c j k 统一汉字扩充b 输入 法的实现，为许多用字量大的汉字辞书、古籍文献实现数字化起到了 有利的推动作用。 关键词：c j k 统一汉字扩充b ，笔画，笔形，i 删i m e 结构 基于c j k 统一汉字扩充b 的输入法研究 t h er e s e a r c ho nn o u tm 匣t h o d e d i t o r s b a s e do nc j ku n i f i e di d e o g r a p h se x t e n s i o nb a b s t r a c t t h ei n p u tm e t h o de d i t o r s ( i m e ) r e s e a r c ho nc h i n e s ec h a r a c t e ri so n eo ft h e m o s ti m p o r t a n ts u b j e c t so ft h ed e a l i n go ft h en a t u r a ll a n g u a g e s i n c et h e g b18 0 3 0 2 0 0 5w a se n a c t e d 一气m a n yr e s e a r c h e r sw e r ed o i n gt h e i rr e s e a r c ho nh o w t o c r e a t ea l li m et os u p p o r tt h es u p e rg r e a tc h a r a c t e rs e t t h ea i mo ft h i ss u b j e c ti st o i m p l e m e n ta l li m eo fc h i n e s ec h a r a c t e rw h i c ha r ei n c j ku n i f i e di d e o g r a p h s e x t e n s i o nb i nt h i sp a p e r ，t h ed e s i g n i n gp r o c e s so fl m ew a si n t r o d u c e dd e t a i l e db y t w op a r t s ，o n ei st h ec r e a t i o no ft h ec o d et a b l e ，a n dt h eo t h e ri st h ep r o c e s so f p r o g r a m m i n g t h e r ea r et h r e ew a y so fc o d ea d o p t e db yt h ec o d et a b l e ，t h e ya r e s t r o k e ss e q u e n c e ，s i m p l em a t c h i n go fs t r o k e ss e q u e n c ea n dc h a r a c t e rf i g u r ew i t h r a d i c a l w h e nt h ef i r s tw a yw a sc h o s e n ，u s e rs h o u l dp u ti nt h ec o r r e c ts e q u e n c eo f c h a r a c t e r ，i ft h es e c o n dw a yw a su s e d ，t y p i n gi nt h ef i r s ta n dl a s tf o u rs t r o k e so f t a r g e tc h a r a c t e rw i l lb eo k ，w h i l ei nt h et h i r dw a y ，o n l yp u t i nt h ec o d eo fr a d i c a la n d c h a r a c t e rf i g u r e ，t h et a r g e tc h a r a c t e rw i l la p p e a r t h ep r o g r a m m i n gw a yo ft h ei m ea c c o r dw i t ht h es t r u c t u r er u l e so fi m m i m e i ti so n eo ft h ep o p u l a rw a y so fi m e ： 十ta st h ec h i n e s ec h a r a c t e r si nc j k u n i f i e d i d e o g r a p h se x t e n s i o nba r ea l w a y sa p p e a r i n g i na n c i e n tb o o k s ，t h e i m p l e m e n to ft h ei m ew i l lm a k eag r e a tp r o m o t i o nt o t h ed i g i t a l i z a t i o no ft h o s e a n c i e n tb o o k s k e y w o r d s ：c j ku n i f i e di d e o g r a p h se x t e n s i o nb ，s t r o k e s ，c h a r a c t e rf i g u r e ， i m m i m ef r a m e 内蒙古大学硕士学位论文 图标目录 表1 1i s o a e c1 0 6 4 6 通用编码字符集四维代码结构【引1 表2 1 笔画输入法中笔画对应的键盘码6 图2 1 笔画输入过程示例6 表2 2 部首编码表7 表2 3 部首编码表8 表2 4 笔形码码元【1 8 】9 表2 5 笔画输入法与简笔输入法部分码表。1 0 表2 6 部首+ 笔形输入法部分码表1 1 表2 7 笔画输入码表重码情况统计。1 4 表2 8 笔画输入法统计概况1 5 表2 9 部首+ 笔形输入法码表重码情况统计1 5 图3 1i m m i m e 基本工作过程1 9 图4 1 输入法的组成【1 6 1 2 1 表4 1u i 窗口处理的消息响应2 3 图4 2 主要i m e 接口函数。2 5 图4 3i m e t o a s c i e x 函数功能。2 6 图4 4c j k 统一汉字扩充b 输入法运行机制流程图【2 6 】【2 7 】【2 8 】【2 9 】【3 0 】【3 l 】2 7 图4 5 图部首笔形码输入法2 8 图4 6 图笔画输入法2 8 图4 7 笔画输入法示例2 9 图4 8 候选窗口。3 0 图4 9 汉字显示过程。3 1 图4 1 0 输入方式的选择。3 1 图4 1 l 汉文英文切换3 2 图4 1 2 大写键锁定3 2 图4 13 关于窗口3 2 图4 1 4 帮助文件3 3 v 原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下独立进行研究所 取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体 己经发表或撰写过的科研成果。对本文的研究作出过重要贡献的个人和集体，均 已在文中以明确方式标明。本声明的法律责任由本人承担。 学位论文作者签名：易次袁易指导教师签名： 日 期：川o f ) e t强：妒 96 在学期间研究成果使用承诺书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即内蒙古大 学有权将学位论文的全部内容或部分保留并向国家有关机构、部门送交学位论文 的复印件和磁盘，允许编入有关数据库进行检索，也可以采用影印、缩印或其他 复制手段保存、汇编学位论文。为保护学院和导师的知识产权，作者在学期间取 得的研究成果属于内蒙古大学。作者今后使用涉及在学期间主要研究内容或研究 成果，须征得内蒙古大学就读期间导师的同意；若用于发表论文，版权单位必须 署名为内蒙古大学方可投稿或公开发表。 学位论文作者签名： 缘乏易 指导教师签名： 日 期：蛳。，7 7 e t。期： 咿1 - j 6 l v 内蒙古大学硕士学位论文 第一章绪论 1 1c j k 统一表意文字简介 c j k 统一表意文字( c 3 ku n i f i e di d e o g r a p h s ) ，即中日韩统一表意文字， 它是位于u n i c o d e 基本多文种平面中的一个编码区段，目的是要把分别来自中 文、日文、韩文、越文中本质、意义相同、形状一样或稍异的表意文字( 主要为 汉字，但也有仿汉字如日本国字、韩国独有汉字、越南的喃h 1 字) 于i s o1 0 6 4 6 及u n i c o d e 标准内赋予相同编码，它处于i s o i e c1 0 6 4 6 1 ：1 9 9 3 2 0 0 0 编码区段， 编码为0 0 0 0 4 e o o - o o 0 0 9 f a 5 ，共2 0 9 0 2 个汉字。 c j k 统一汉字扩充a ( c j ku n i f i e di d e o g r a p h se x t e n s i o na ) ，它处于在 i s o i e c1 0 6 4 6 - 1 ：2 0 0 0 编码区段，编码为0 0 0 0 3 4 0 0 一0 0 0 0 4 d b 5 ，共收录6 5 8 2 个 汉字。 c j k 统一汉字扩充b ( c j ku n if i e di d e o g r a p h se x t e n s i o nb ) ，它是位于 u n i c o d e 表意文字补充平面中的一个编码区段，该区段共收录汉字4 2 7 1 1 个，这 些汉字中的大部分在我们日常生活中使用频率很低，它们主要出现在历史典籍文 献中。 c j k 统一汉字扩充b 处于i s o i e c1 0 6 4 6 - 2 ：2 0 0 0 的f c d ( f i n a lc o r m it t e e d r a f t ) 代码区段，u n i c o d e 编码范围为0 0 0 2 0 0 0 0 0 0 0 2 a 7 1 9 之间。 高位低位 表1 1i s o i e c1 0 6 4 6 通用编码字符集四维代码结构似1 t a b l e1 1t h ec o d es t r u c t u r eo fi s o h e cl0 6 4 6u c s i s o i e c1 0 6 4 6 通用编码字符集( u c s ) 采用如表1 1 所示的四维代码结构， 称之为规范形式或者u c s - 4 ，它包含1 2 8 个组，每组有2 5 6 个平面，每个平面有 2 5 6 行，每行有2 5 6 个字位。每个字符用4 个八位位组表示，每个八位位组都用 十六进制0 0 - - , f f 标识，图形字符的组八位为0 0 - - 7 f 。通常我们使用的汉字都分 布在0 0 组中的第一个( o o ) 平面基本多文种平面( b m p ) 。由于组号和面号都是 基于c j k 统一汉字扩充b 的输入法研究 o ，所以b m p 可作为双八位编码字符集独立使用。我们现在w i n d o w sx p 主要支持 两字节的汉字，而c j k 统一汉字扩充b 编目的汉字都位于0 0 组的1 0 平面，即表 意文字补充平面( s i p ) 中，都是由四字节组成的，在现行主流操作系统中，只 有将这些汉字保存为u n i c o d e 码时才可以正常显示字形，否则识别出的都是乱 码。 1 1 1 基本概念 基本多文种平面【2 】：( b a s i cm u l t i l i n g u a lp l a n e ，简称b m p ) ，亦称第零平 面( p l a n eo ) ，它是u n i c o d e 中的一个编码区段，编码范围从u + 0 0 0 0 至u + f f f f ， 它采用的主要结构如表1 1 所示，但其组号和面号都为0 ，所以基本多文种平 面可作为双八位编码字符集独立使用，b m p 按字母、音节、表意符号和各种符号 及数字定义了常规使用的字符。 表意文字补充平面【2 】：( s u p p l e m e n t a r yi d e o g r a p h i cp l a n e ，简称s i p ) ， 亦称第二平面( p l a n e2 ) ，是u n i c o d e 中的另一个编码区段，该区段编码范 围从u + 2 0 0 0 0 至u + 2 f f f f ，它是在u n i c o d e 中基本多文种平面以外储存字符 的区段。现在整个平面所配置的，全部都是一些罕用的汉字或地区的方言 用字，如粤语用字及越南语的字喃等，我们所研究的c j k 统一汉字扩充b 区的编码范围从u + 2 0 0 0 0 至u + 2 a 7 1 9 。 1 1 2 c j k 统一汉字扩充b 区段汉字的主要来源【9 l c j k 统一汉字扩充b 段共包含4 2 7 11 个汉字。根据i s o ，i e c 的相关文件 【z 】，这四万多个汉字分别从以下字典或字集中取得：c n s11 6 4 3 的第4 平 面到第1 5 平面所收录的3 0 1 7 7 个汉字；在汉语大字典n 伽中出现的2 8 9 1 4 个未收录汉字；在康熙字典n 中出现的1 8 4 8 6 个未收录汉字( 包括一个 在补遗篇中出现的汉字) ；在朝文标准中所收录的5 6 4 2 个汉字；在越南文 标准中所收录的4 2 3 2 个字喃随1 ；h k s c s 中出现的1 0 8 1 个未收录汉字；汉 语大词典n 2 1 中出现的5 5 3 个未收录汉字；四库全书n 3 1 中出现的5 2 2 个未收录汉字；日本国家工业标准的j i sx0 2 1 3 第3 平面及第4 平面的3 0 2 个未收录汉字：1 9 8 0 年版的辞海n 钔中出现的2 4 7 个未收录汉字：韩国 内蒙古大学硕士学位论文 p k s5 7 0 0 3 ：1 9 9 8 中出现的1 6 6 个未收录汉字； 中国大百科全书n 5 1 中 出现的8 6 个未收录汉字； 辞源n 8 1 中出现的6 6 个未收录汉字；北大方 正排版系统中出现的6 5 个未收录汉字：这些汉字中有不少是重复的，经过 整理、筛选之后，合计总数为4 2 7 11 个汉字。 1 2c j k 统一汉字扩充b 的输入法研究现状及意义 自g b l 8 0 3 0 2 0 0 5 颁布以来，一些研究人员一直在研究支持该超大字符集的 输入法。据报道，l i n u x 下支持c j k 统一汉字扩充b 的输入法已经实现。w i n d o w s x p 下也有一种支持c j k 统一汉字扩充b 输入程序，该输入法在马来西亚的一个 网站提供下载，但使用时发现，常用汉字的输入功能正常，而输入c j k 统一汉字 扩充b 中的汉字时，候选框中没有显示出候选字形7 1 ，使用不方便。 处于c j k 统一汉字扩充b 区的汉字主要出现在古籍文书中，目前为了保护这 些古代文集，各文物史馆均采用封闭存放，禁止读者浏览。有些图书馆将这些书 籍扫描成图片供读者浏览，但图片文件占用存储空间过大，网上浏览速度太慢， 且古籍存放时间太久，有些文字已经模糊不清。如果能够把这些古籍文字录入计 算机保存、浏览，对史料的研究、保护将有非常重要的意义。基于c j k 统一汉字 扩种b 输入法的实现，为许多用字量大的汉字辞书、古籍实现数字化提供了一种 有效的基础录入工具，使原本束之高阁的典籍文献实现数字化、走进寻常百姓的 案头成为可能，从而为弘扬古老的中华文化打开了方便之门。 1 3 本课题主要开展的研究工作 本课题的研究目标是能够用较为适用、简便的方法输入处于c j r 统一汉字扩 充b 区的四字节汉字，为了实现这一目标，需要完成如下几方面的研究内容： l 、收集c j k 统一汉字扩充b 的字库。对于一个输入法来说，最基本的元素 就是字库，只有拥有了字库，才能够成功输出目标汉字。 2 、研究字库中汉字的特点，对汉字结构进行分析、拆分、归纳，制定出一 种便于操作、记忆的输入规则。由于该区段的汉字使用率比较低，所以了解其发 音的学者相对较少，所以为了输入能够方便，本课题采用了形码输入规则，对于 形码规则来说，一个比较重要的指标就是码表的重码率，为降低重码率，就需要 基于c j k 统一汉字扩充b 的输入法研究 对汉字进行分析，从而研究出一套符合该区汉字的编码规则。 3 、根据制定的规则，利用v c + + 环境设计并实现w i n d o w sx p 操作系统下的 四字节汉字输入法。 1 4 论文结构 本文结构主要按照工作内容划分为五章，其中第二、三、四章为所作的研究 工作，也是本文的重点，内容组织如下： 第一章绪论 本章重点介绍处于c j k 统一汉字扩充b 区汉字的相关情况，具体包括区段汉 字的来源、特点、u n i c o d e 编码范围以及国内外研究现状与本课题研究意义。最 后介绍了本文主要开展的研究工作。 第二章码表的设计与实现 本章首先简单介绍了课题的编码规则以及规则使用的部分注意事项，然后着 重从编码格式和编码依据两方面来阐述规则的合理性。 第三章输入法概论 本章主要从输入法的现状、种类、实现方式以及i 删i m e 结构等方面阐述了 输入法的相关概念和技术。 、 第四章c j k 统一汉字扩充b 输入法设计与实现 本章详细讨论了基于c j k 统一汉字扩充b 的i m e 输入法的组成及运行机制， 主要从输入法的组成窗口来详细叙述输入法各个功能的具体实现过程。 第五章总结与展望 本章是对课题工作进行了一个总结，给出了已完成的工作以及存在的不足之 处，并对未来的工作提出了一些建议。 4 内蒙古大学硕士学位论文 第二章码表的设计与实现 2 1 码表的编码规则 c j k 统一汉字扩充b 是u n i c o d e 对四字节汉字进行编码的一个编码区段，处 于该区段中的汉字基本都出现在历史典籍文献中，因此使用频率都不是很高，而 且仅有极少数人知道他们的发音，所以在制作该类汉字输入法时使用拼音方案输 入就不切合实际，比较可行的是采用形码输入方案。 经过对该区段汉字的观察和实际情况的考虑，本输入法决定采取三种方案对 汉字进行编码。方案一：采用传统的笔画进行输入，即将汉字的拼写笔画分为横、 竖、撇、捺、折五笔，并分别对这五个基本笔画进行编码，其中横编码为q 、竖 编码为w 、撇编码为e 、捺编码为r 、折编码为t ，编码如表2 1 所示，对处于 c j k 统一汉字扩充b 中的汉字根据其书写顺序进行笔画串编码，汉字中的笔画 “提按照“横”处理，各种“折 和“钩 都按“折”处理。采用该方案的输 入法本文称之为笔画输入法，在使用时，只要按照汉字本身的书写顺序将基本笔 画的编码输入即可输出对应的目标汉字，不需专业的学习与训练，无需依赖拼音， 不需要对汉字的结构进行拆分，具体实现如图2 1 所示。方案- - 采用笔画模糊 匹配规则进行汉字输入，此方案的提出主要基于方案一中的笔画输入原则，仍然 将汉字笔画拆分为横、竖、撇、捺、折五笔，分别映射键盘码q 、w 、e 、r 、t ， 编码规则同方案一完全相同。采用该方案的输入法本文称之为简笔输入法，在具 体使用时，只要输入汉字笔画的i i i 四笔和后四笔对应的键盘码，就能够输出目标 汉字，此方案在笔画输入正确率方面要远远高于方案一。方案三：使用“部首+ 笔形码的形码规则，其中部首指的是部首的编号，该编号是按照康熙字典中部 首的出现顺序进行编辑的，用两位十六进制数对其进行编码；笔形码包含四个 0 - 9 的数字，这四个数字分别代表汉字( 不含部首) 的左上角、右上角、左下角、 右下角四个部分的特征编码，对汉字的这四个部分按照上述顺序用数字进行编 码，这样只要对键盘上数字按键进行布局就可以实现输入法的键盘映射。采用该 方案的输入法本文称之为部首+ 笔形码输入法，方案中的部首编码如表2 2 和表 5 基于c j k 统一汉字扩充b 的输入法研究 2 3 所示，0 - 9 的数字编号分别代表的笔形特征如表2 4 所示： 键盘码 q w er t 对应笔画 i j 、 乙 备注横、提竖撇捺、点所有“折 表2 1 笔画输入法中笔画对应的键盘码 t a b l e 2 1k e y b p a r dc o d ef o rs t r o k e si m e 例如输入一个四字节汉字康，具体过程如下图所示： 笔画顺序：撇撇折点撇横竖撇撩 对应笔画： ， j 乙 、 j l j 、 对应编码： eetre q wer 编码串：e e t r e q w e r 图2 1 笔画输入过程示例 f i g u r e 2 1i n p u tp r o c e s sf o rs t r o k e si m e 6 内蒙古大学硕士学位论文 0 0 力 12 j 二 2 4抖3 6 日 4 8 l l 5 a 7 i门 l 0 1113 女 2 5 弋 3 7 月 4 9耳5 b j刊 、0 2 匕 14 7 2 6 ； 3 8 木 4 a止5 c 丁勺i ) 0 3广15 2 7 习3 9 欠 4 b 牟 5 d 1 - 一 一 二 70 4 厂 16 _ 士 2 8 乡 3 a f 卜 4 c 与 5 e ( - 一 j 一 、jj l j l幺 j 0 5 l 17 小 2 9 彳 3 b 歹 4 d = 5 f i 卫 0 6 卜 18 尢 2 a 心 3 c 几 4 e 瓜 6 0 ，又 1 0 7 r 丁 19 口 2 b 戈 3 d 毋 4 f 瓦 61 ， 人 0 8 厂 1a山2 c 户 3 e 比 5 0 甘 6 2 儿 0 9 1b 山 2 d = e 3 f 毛 51肚6 3 二a于 工 入 o a 又 1c 2 e 专 4 0 匠 5 2 用 6 4 p 八。 o b 口 1 dt2 f 卜 4 1 b = 5 3 田 6 5 1 文。弋 门 0 c广1e 己 3 0 文 4 2 水 5 4 疋 6 6 h ， o d 土 1f 巾 31 斗 4 3 火 5 5广6 7 上 ， 7 0 e l 2 0 二e 3 2 斤 4 4 爪 5 6 罗鬯 6 8 工i 几 o f 欠 91 厶3 3 亡 4 5 父 5 7 白 6 9- 工 厶门 u 1o 炙 2 2 广 3 4 无 4 6 爻 5 8 皮 6 a 刀 11 夕 2 3 z 3 5 日 4 7 u 5 9 皿 6 b 又一 月 表2 2 部首编码表 t a b l e2 2p a r to f c o d ef o rr a d i c a l 基于c j k 统一汉字扩充b 的输入法研究 目 6 c 幸 7 e 衣 9 0 口 a 2 页 b 4 套 c 6 刁 户口。 矛 6 d 耳 7 f 两 91 酉 a 3 凰 b 5 麻 c 7 产r 6 e市8 0 兄 9 2 采 a 4 最 b 6 掌 c 8 大卜一其 石 6 f 肉 81 角 9 3田a 5 食 b 7 黍 c 9 二t ) 一 9 4 么叉 a 6 首 b 8里c a 不 b 兰口立 、 7 0 口暑 8 2 内 71 自 8 3 谷 9 5 e a 7 香 b 9 黹 c b t 禾 7 2z i8 4 显 9 6 阴 a 8 属 b a 阻 c c 二e 穴 7 3 臼 8 5 豕 9 7 阜 a 9 骨 b b 鼎 c d ) 7 4 千 8 6 豸 9 8 隶 a a 局 b c鼓c e 、白 竹 7 5 舛 8 7 只 9 9 隹 a be 乡b d鼠c f 矽 米 7 6 舟 8 8 赤 9 a 雨 a c同b e 自 d o e 王j 了7 r 厶 7 7 艮 8 9 = 9 b 主 a d鬯b f 齑 d1 尔人巳罔 白二7 8 任 8 a 足 9 c 习乍 a e 口 c o齿d 2 l j j lli 羽 网 7 9山l l j8 b鸟9 d 面 a f 鬼 c1 能 d 3 i刁 芏7 a 南 8 c亩9 e 堇 b o囱c 2 匏 d 4 i ，屯fr、 羽 7 b由8 d ：l 9 f = h b1包c 3 命 d 5j 仁 早，习 f f 曰 ，at 三匕 7 c 血 8 e 辰 a o 韭 b 2 卤 c 4 1 j 而 7 d 行： 8 f 走 a 1 1 2 一 b 3 鹿 c 5 曰 表2 3 部首编码表 t a b i e2 3a n o t h e rp a r to fc o d ef o rr a d i c a l 内蒙古大学硕士学位论文 编码笔形 字例变形 备注 0 主 广、病、剖点与横相结合 l 天 活、培、气、兄 横、提、竖弯钩、斜钩 2 i旧、j 顿、力千、则竖、撇、竖撇 3 、 实 军、造、瓜 点、捺 4 十义古、对式、皮、草两笔交叉 5 丰丰青、打春、申、戈一笔纵穿两笔或两笔以上 6 口口另、四目、曲、甲整齐的方形 7 广l 1 j 刀 写、阳、亡、兵折 8 八。 分、共午、余、央、羊八字形及其变形 9 小j l 、 尖、快宗、兴、木、录、当小字形及其变形 2 2码表格式 表2 4 笔形码码元埔 t a b l e2 4c o d ef o rc h a r a c t e rf i g u r e 为了便于对码表的操作和程序的实现，本课题在制作码表时采用了如下格 式：部件 t a b 汉字 换行 ，其中第一行是字段名，标题是笔画 t a b 汉字 换行 和笔形 t a b 汉字 换行 ，从第二行开始是正式的编码。笔画输入法与简笔输入 法采用的是相同的码表，具体码表内容如表2 5 所示，部首+ 笔形输入法的码表 如表2 6 所示。 9 基于c j k 统一汉字扩充b 的输入法研究 笔画汉字笔画 7 ；又- 7 -笔画汉字笔画汉字笔画汉字 e e q w t q e t e r欣e w e q w q q佐e w t t r q r侮q w r q e r r e t孰r q q t e r w r r r柒 e e t q q t胃 e w e t e r 饮 e w t t r t e 恸q w t乏 r q q w汀 e q q w q e t e r钦 e w e t e r 佩 e w t w w t w 佃 q w t e r q西r q q w q e r q w q渣 e q t w t钷e w e t q e t r佩 e w w t e r 俩 q w t q r e q t 且 滓z r q q w q r e q q w 五 洪 e r) 月它仑乏老老龟琶毫吾髦营磐 基于c j k 统一汉字扩充b 的输入法研究 2 3 编码的合理性讨论1 9 1 首先，由于处于c j k 统一汉字扩充b 中汉字的使用频率比较低，而且只有极 少数学者能够辨认这些汉字的读音，所以我们采取了形码输入规则，其次，为避 免进行专业的学习与训练，避免背诵冗长的口诀，我们采用了大家熟悉的笔画输 入规则，并在此基础上产生了笔画模糊匹配的简笔输入规则，再次，经过对该区 汉字的观察和分析，还采用了笔形输入规则，而且为进一步降低重码率，该种方 案在笔形的基础上又添加了各个汉字的部首编码。 衡量输入法的一个标准就是输入法的速度。客观上，用户使用一个通用键盘 的输入法打字，受三方面因素影响：其一是软件的反应快慢；其二是编码方案； 其三是码表。大多数输入法软件的反应速度对于用户来说，是不会明显影响到打 字速度的，而如何处理码表，往往又受到输入法编码的影响，所以，编码的质量 往往是我们在评价一个输入法速度的主要依据，而影响编码质量的一个重要因素 就是重码率，所以我们通过码表重码率来说明编码的合理性。 重码率7 - - 重码字数总字数 在常用汉字输入法中，五笔字型输入法的重码率最低，不到1 。按照本输 入法中的“部首+ 笔形码”输入汉字，重码率虽然接近1 0 ，但是在选择候选汉 字时不需要进行翻页操作，因为频率使用最高的汉字输入码串最多仅表示5 个汉 字，而候选框每次可以显示出8 个候选汉字，这样，所有的重码汉字都可以在第 一页显示完毕，用户再按一个序号即可输入所需汉字，所以，本输入法重码率的 高低对输入效率影响不大；而对于笔画输入法，由于其编码串的长度不唯一，所 以重码率就更低，仅有一个串出现了九次，其他串出现的频率都在五次以下，即 当用户输入某一编码串时，除了一个串，其他的都不需要翻页即可找到目标汉字。 表2 7 为笔画输入法码表的重码的情况。 编码串出现次数 汉字 e 类e w w t w e t r2 侈傻 e w w t q w q q e w 2 愣1 i 舁 e w w t q q w t w q r r t r r 2 德想 内蒙古大学硕士学位论文 e w v c t q q w e r e w t q q q t r r r r 2 偶篱 e w w t q e r r q q q w t q 2 僭眢 e w w t e r2 伪休 e w w e q e r w t q q q 2 售恪 e w t w w q t e r r t r r 2 恕衄 e w t w w q e t e t w 2鳓赍 w 类 w t3 卜广l 上 w t w w q t 2 屹老 w t w w q w t q q q 3 旨冒置 w t w w t e r3 i i i j ( 岗1 9 内 w t w w t q q w t q q 2 帽幅 w t w w t q q w t q w t e q 2 娄楼 w t w w t q t e w w 2 蜊捌 w t w w t q w q 2 蛔帕 w t w w t q w q t t r w e r 2 崇螺 w t w w t q w q w t q w q w t q w q 2 崛赢 w t w w t q w t q q 2 蜗帽 w t w w t q w t q q q e r 2 i i | 具巾具 w t w w t q w t q w t q q q t 2 粤i | i 导 w t w w t q w t q w t q q q w 2 峄阜 w t w w t w e r q t 2 磐崎 w t w w t w w q t t r r r r e w r q q q w q 3 爆嶷幄 1 3 基于c j k 统一汉字扩充b 的输入法研究 w t w w w r e q r e q q w q q w r 2 蜡封 q 类 q w w w t q q 2 苒苜 q w w t q q q 2 亘盲 r 类 r t w r t q t q w q q w q 2 = 弓袒 r t w r t e q w w t q 3 稠裙福 r t w r t e2 初初 r t w r q t t r 2 耘视 t 类 t w w t w r q t e e q e r w t q q q e r 2赣鳘 t w w t w q w e r 2啉粜 t w w t w q t t r 2出瓦蛊 t w w t w q e w t q q q e r 2 颇顿 t w w t w2 出品 t w w t q q w 2 陴阳 t t 5 巳l l 琵巴弓 t w w q q w q 2 皇皇 t w t r 2 艮阪 t w t e 4 忉叻阴阴 t w t 2 电电 t w r t r 2 i 叹迎 t 9 乞l 厶 l 1l ，- 3 表2 7 笔画输入码表重码情况统计 t a b l e2 7s t a t i s t i c sf o rs t r o k e si m e 内蒙古大学硕士学位论文 字数 出现9 次的串 出现5 次的串 出现4 次的串 出现3 次的串 出现2 次的串 重码率 平均码长 42711 个 表2 8 笔画输入法统计概况 1 个 1 个 r ) z - 厶 i ez - ui 37 个 o 15 14 5 笔 t a b l e2 8s t a t i s t i c sf o rs t r o k e si 肛 字数1 2 0 0 0 个 出现5 次的串7 个 出现4 次的串 5 0 个 出现3 次的串 11 9 个 出现2 次的串1 0 8 5 个 码长 6 平均击键次数 7 表2 9 部首+ 笔形输入法码表重码情况统计 t a b l e2 9s t a t i s t i c sf o rr a d i c a la n dc h a r a c t e rf i g u r ei m e 1 5 基y - c j k 统一汉字扩充b 的输入法研究 3 1 输入法的现状捌 第三章输入法概论 根据输入设备的不同，计算机输入方法主要分为以下三类： 一、键盘输入：即通过键盘把编码串输入计算机，从而输入目标文字到计算 机，目前这是最常用的输入方法。 二、笔识别输入：笔识别输入法是指使用手写板、扫描仪等输入设备获取用 户书写汉字或符号的笔划或图像信息，通过使用模式识别的方法，将笔迹转化为 对应的文字。 三、语音输入：指通过麦克风等语音输入设备获取用户文字发音的语音信号， 通过使用各种模式识别的方法，将其转换为对应的目标文字，从而达到输入的效 果。 3 2 输入法的实现方式恤1 输入法的实现主要包括三种方式：第一种是直接实现方式；第二种是使用 w i n d o w s 操作系统提供的挂钩( h o o k ) 机制方式；第三种是使用输入法管理器 ( i n p u tm e t h o dm a n a g e r ，以下简称i m m ) 管理的方式。 一、直接实现方式：作为编码或识别程序的界面，直接将转换后的字符显示 在转换程序的显示窗口中。这种实现方式简单直观，可以用来直接演示编码方案 或识别器的效果，是开发算法原型阶段常用的方式。一个显著的优点是输入法只 要启动一次，就可以在所有进程中使用，但机动性很差，必须生成e x e 程序。 二、使用w i n d o w s 操作系统提供的挂钩机制方式：这种输入法的核心技术是 使用w i n d o w s 系统提供的挂钩机制。挂钩机制主要完成以下任务：在输入事件到 达应用程序之前将其截获，将键盘、鼠标等输入设备的动作消息转换为中文字串 消息，而后传递给应用程序窗口。利用挂钩机制有它的优缺点：优点是使用系统 级的挂钩函数可作用于所有应用程序窗口，适应性很强；缺点是当多种输入法并 存，或者不同应用程序窗口需要不同的输入法支持时很难协调，也很难保证在一 1 6 内蒙古大学硕士学位论文 种环境下正常工作的输入法可以适用于所有的应用程序窗口，且h o o k 机制不稳 定，而且容易使系统不稳定，其生成的程序也是e x e 程序。 三、使用输入法管理器( i 删) 来管理的方式：输入法管理器的作用是统一管 理w i n d o w s 平台的输入法。i m m 面向开发人员，允许开发人员设计新的输入法并 添加到系统中。为此，m i c r o s o f t 公司为开发人员提供了一整套用于开发输入 法的工具包，这套工具包包含在开发w i n d o w s 驱动程序的工具包d d k ( d e v i c e d r i v e rk i t ) 中。利用w i n d o w s 提供的输入法管理器，使用i m ea p i ( 应用程序 编程接口) 进行输入法编程的实现，是规范而方便的实现方式。我们开发的基于 c j k 统一汉字扩充b 的输入法就使用了这种实现方式。 3 3im e im m 结构 w i n d o w s 系统下键盘输入法实际上是把通过键盘输入的编码串按照一定的 编码规则转换为目标字符串，传递给应用程序窗口。由于应用程序各不相同， 用户不可能自己去设计转换程序，而是利用w i n d o w s 系统提供的输入法管理器 输入法编辑器( i 删i m e ) 结构来完成文字的输入。下面对i m m 和i 她结构作简 单的介绍。 3 3 1 i m m i m e 结构的概念 i m e ( i n p u tm e t h o de d it o r s ，简称i m e ) 就是通常意义上讲的输入法，它允许 用户通过标准的键盘输入各种不同的字符，从而达到输入非拼音文字的目的。在 w i n d o w s 平台下，一个i m e 是作为一个动态链接库( d y n a m i c l i n k l i b r a r y ，d l l ) 而存在的，但这个动态链接库较特殊，它的结构必须符合m i c r o s o f t 提供的一整 套输入法接口规范。当输入法运行时，它实际上是一个多文种的键盘布局 ( k e y b o r d l a y o u t ) ，通过它，我们可以把键盘的英文字符映射为非拼音文字，从 而达到输入非拼音文字目的。这个动态链接库的位置是在w i n d o w s 的系统目录 s y s t e m 或者s y s t e m3 2 下，输入法的程序名称为：l c i m e 。 输入法管理器( i m m ) 是w i n d o w s 操作系统多语言支持环境的内在组成部分， 操作系统通过输入法管理器管理当前系统中活动的各个输入法编辑器，维护输入 法编辑器和应用程序之间的通信。其中应用程序是输入法的用户，用来接收输入 基于c j k 统一汉字扩充b 的输入法研究 法转换后的字符消息。 3 3 2im e 的特点 w i n d o w s 平台下的i m e 主要有以下特点： 1 ) 每个i m e 仅仅是整个多文种环境( m u l t i l i n g u a le n v i r o n m e n t ) 的一个 部件，一个多文种环境可以包含多个不同的i m e 。 2 ) 每个应用程序都拥有自己的一个活动i m e 实例，i m e 不再为所有的应用 程序所共有，同样的一个i l d e ，可能同时运行多个实例，每个实例属于不同的应用 程序。 3 ) 应用程序和i m e 之间可以进行消息传递，应用程序可以控制i m e 。 3 3 3i m m i m e 结构的工作过程 在w i n d o w s 中，用户的键盘输入在被转换为键盘消息之后，系统首先将这些 消息通过i 删传递给与当前线程对应的i m e 。i m e 根据i m m 提供的输入消息以 及输入上下文记录的数据，将用户的输入代码串转换为结果字符串，以字符消息 的形式返回给i m m ，将其放到应用程序窗口的消息队列中去。而每个i m e 不是孤 立地存在的，它们由一个i m m 统一管理，i m e i 删结构负责输入信息处理，包括 制定系统规范、输入法接口、消息传递和输入法控制等内容。i i i 通过调用i l d d 函数或发送消息控制和管理各个i m e 。同样，i m m 也提供了一批供i m e 调用的函 数，使i m e 能主动地向i m m 提供自己的状态以及请求i m m 执行某些公共操作。 1 8 内蒙古大学硕士学位论文 用户 jl 键盘输入显示 ， i键盘驱动程序 网冈阿 l 窗口il 窗口| | 窗口 键争件 键盘消息 键盘消息 i u s e r e x e h ，。潲然、卜 转换接口 1 用户界面窗口 ( 函数集) ( 某输入法总控窗口) 一 汉字消息答辩洲 象 用户界面 i m e l 。 i t 膏1 ： 缺省i m e 窗口 上l v l h l 二 l m e 相箕消皂 h 、i lj ，i * i 所有输入法共享窗口 i 1， t - m e 相关消息