標記語言的應用
中華佛學研究所、佛學網路資訊室資訊組組長 周邦信
【摘要】：中華電子佛典協會（CBETA）使用XML作為佛典電子檔的標記語言，並採用國際規範TEI作為基礎標籤集，再依實務標記作業經驗，修訂或新增標籤，建立適用於漢文電子佛典的標籤集。
在輸入、校對階段，CBETA設計了一套簡單標記系統，使用約三十個簡單標記，方便輸入、校對組的作業人員，不必學習XML就可以進行基礎標記。校對階段結束後，再使用自行開發的轉檔程式將簡單標記轉為XML標記。
CBETA電子佛典XML標籤集，目前使用約六十餘個標籤，文中分檔頭（Header）、本文（Body）兩大類，摘要、舉例介紹各標籤。
標記作業中，CBETA使用UltraEdit(r)作為編輯器，使用CVS作為版本管理系統，使用Perl開發各種作業輔助工具、轉檔程式。
關鍵詞：CBETA；電子佛典；標記；簡單標記；XML；TEI；標籤集
壹、標記語言
一、什麼是「標記」？
標記（Markup）是在稿件或文章上加上的記號，以記錄各種不同的資訊。
標記主要可分為兩大類，一類是關於「排版或顯示格式」的標記，另一類則是關於「資料結構或內容」的標記。
例如大家最熟悉的標記語言HTML，可能會有如下的用法：
佛教資料電子化技術探討－－以< b >中華電子佛典協會< /b >為例
在這裏，< b >……< /b >表示「中華電子佛典協會」這些字要加粗體字顯示，這是第一類關於「格式」的標記。
而電子佛典的製作，關於「內容」的標記則更為重要，例如：
長阿含經序
< byline type="Author" >長安釋僧肇述< /byline >
夫宗極絕於稱謂。賢聖以之沖默。玄旨非言
這裏的< byline >標記標出了經文中的作者行，相對的，它並未指定這個作者行要如何顯示。這種將「顯示格式」與「內容」分離的做法，在後面介紹電子佛典的發行時我們將會瞭解它的好處。最重要的是，這種「內容標記」是讓電腦「看懂」經文的第一步。
二、SGML→HTML→XML
前面說「標記是在稿件或文章上加上的記號」，聽起來是充滿了無比的彈性，那麼我用螢光筆在書本上畫重點，算不算是「標記」呢？應該算是，那麼，你用你的標記，我用我的標記，各自運用想像力與創造力建立自己的標記系統，這樣彼此之間也算是相安無事，但要交換資訊就有困難了。於是「標記語言」就應運而生了。
SGML（Standard Generalized Markup Language，標準通用標記語言）是早在1986年就建立的國際標準，其中定義了如何描述一組標記標籤的規則，但由於它相當的複雜，因此應用並不十分普遍。
接下來是紅遍半邊天的HTML（Hypertext Markup Language），HTML是SGML的一種應用，以其簡單易用的語法隨著網際網路的興起而盛行，世界各地不同語言、文化、電腦作業平台之間，得以藉由HTML這個標準的共通語言相互溝通，地球村的資訊交流達到前所未有的迅速與廣度。
然而HTML的缺點－－正是它的優點－－也漸漸的浮現，HTML不再能滿足網際網路上許多新興的需求。SGML夠強卻太複雜，HTML夠簡單卻不夠強，感謝標記語言的專家們，又為我們設計了一套又強、又不太難、又適用於網際網路的標記語言－－XML（eXtensible Markup Language），讓我們能順利地為電子佛典標記。
三、電子佛典為什麼要使用標記？
為什麼電子佛典要使用標記呢？這得先回頭想想，我們為什麼要製作電子佛典？主要目的應該是要利用資訊科技、電子媒體的便利性，使藏經易於保存、複製、傳播、編輯再製……等等。所以，很自然的，第一步我們將紙面的經文輸入或掃描成電子檔，這個階段完成後，我們已經可以開始享受到電子媒體的便利性。
然而，從紙本到電子檔的過程中，許多保存在紙本中的資訊，到了電子檔裏卻失去了。例如，《大正藏》以許多不同的編排格式來告訴我們，這裏是經名、這裏是譯者、作者、這裏是品名、這裏是偈頌、這裏是附文、這裏有校勘，可是這些資訊在電子檔裏不復存在，大正藏編輯委員會的許多心血在這個數位化的過程中流失了。
如果我們使用標記，忠實的記錄《大正藏》中的各種資訊，編輯經驗得以傳承，電腦也更能理解經文電子檔中各個部分的關係、屬性，資訊科技因而可以為我們提供更多使用電子佛典的輔助工具。
四、為什麼要使用XML？
CBETA早期也使用SGML來做電子佛典的標記，隨著標記語言的發展，XML已成為最佳的選擇，原因如下：
1. XML是W3C通過的國際標準。
2. XML去除了SGML的複雜性，有愈來愈多的工具軟體支援。
3. XML適合於Internet上使用，例如IE5便已直接支援XML。
4. 目前臺灣中文文獻處理計畫的標記作業大都採用XML。
五、為什麼用TEI？
相較於HTML，XML最大的一個優點就是它可以自訂標籤（Tag）。因此，各個不同的XML應用可以按照各自特殊的需求訂定新的標籤，這在HTML的功能限制上是一大突破。然而，再一次我們又隱約看到了「資訊交換」的問題。由於有了共同的標記語言XML，大家所使用的標記格式都一樣，我們可以用同樣的標記語言、標記格式來定義各自不同的標籤名稱，例如我們要標出一個段落，可以有如下數種不同的標法：
● < p >......< /p >
● < para >......< /para >
● < 段落 >......< /段落 >
這些都是符合XML標準的標記，但明明同樣指的是一個段落，卻可以有不同的標法，這在資訊交換上將會造成問題，至少要增加一道標記轉換的手續。然而，如果大家對於共同的標記，能有一套可以依循的標準，比如大家都以< p >......< /p >來標示段落，這個問題就可以解決。
早在SGML時代就有一個TEI（Text Encoding Initiative）專案，他們研究了各種不同西方文獻，整理出一套標籤集（Tag Set），希望獲得大家採用而促進電子文獻的分享交流。
雖然TEI不見得適用於中文文獻，更不見得適用佛教典籍，不過它的標籤集裏仍有許多是屬於各種文獻所共有的，可以與電子佛典共用的標記。
因此，CBETA在建立自己的標記系統時採取這樣的策略：
1. TEI已有定義而能適用的，採取TEI
2. TEI裏有，但對屬性等稍作修改
3. TEI裏沒有的，通常是屬於中文文獻或佛典所特有的情況，我們才自訂新標籤
如此，藉由共同標準的採用，在國際上各個不同電子佛典製作團體之間的成果才得以分享、交換。
貳、簡單標記
在進入正式的XML標記之前，CBETA校對組會提供一個稱為「簡單標記版」的經文電子檔給研發組，內容格式如下：
|
T46n1911_p0001a01_##║
T46n1911_p0001a02N##║No. 1911 [cf. No. 1912]
T46n1911_p0001a03J##║[01]摩訶止觀卷第一[02](上)
T46n1911_p0001a04_##║
T46n1911_p0001a05A##║隋天台智者大師說
T46n1911_p0001a06B##║門人灌頂記
T46n1911_p0001a07P##║止觀明靜。前代未聞。智者。大隋開皇十四年 |
從這個範例中我們可以看到：經號（N）、卷名（J）、作者行（A）、段落（P）等基本標記都已標出，提供了標記作業的基礎。
目前所使用的簡單標記如下表：（見表1）
【表1】簡單標記表
| A | 著者 | j | 經卷（結束） | Ｓ | 行中偈頌 |
| B | 譯著者（Byline） | K | 會 | T | 不規則偈頌（起始） |
| C | 收集者（Collector） | N | 經號 | t | 不規則偈頌（結束） |
| D | 品 | P | 段落 | Ｔ | 行中不規則偈頌 |
| Ｄ | 行中品名 | Ｐ | 行中小段落 | V | 分 |
| E | 編輯者（Editor） | Q | 其它標題 | W | 附文 |
| F | 表格 | q | 不降格的"會"、"分"、 "小經"等標題 |
X | 序 |
| G | 圖形 | Ｑ | 行中其它標題 | Y | 譯者 |
| H | 悉曇字 | S | 偈頌（起始） | Z | 咒語 |
| J | 經卷（起始） | s | 偈頌（結束） | Ｚ | 行中咒語 |
然後研發組使用自行撰寫的轉檔程式，將「簡單標記版」轉為「XML版」，流程如右圖。（見圖1）
接下來進入本文的重點，介紹CBETA電子佛典目前所使用的標記。
我們先看XML經文檔的整個架構：
|
< ?xml version="1.0" encoding="big5" ? > < ?xml:stylesheet type="text/xsl" href="../dtd/ cbeta.xsl" ? > < !DOCTYPE tei.2 SYSTEM "../dtd/cbetaxml.dtd " > < tei.2 > < teiHeader >……< /teiHeader > < text > < body >……< /body > < /text > < /tei.2 > |
從上面可以看出整個檔案的架構可以分為檔頭（Header）、本文（Body）兩部分，以下便依檔頭、本文兩大類介紹CBETA目前所使用的標記：
一、檔頭（Header）
檔頭標籤集分成以下三類：
1. File Description本電子檔書目資訊描述
檔案描述所使用到的標記如下表：（見表2）
【表2】檔頭相關標記
| 標籤名稱 | 英文說明 | 中文說明 |
| < fileDesc > | file description | 檔案描述 |
| < titleStmt > | title statement | 標題陳述 |
| < respStmt > | statement of responsibility | 關於負責人的陳述 |
| < resp > | 關於負責性質的描述片語， 例如某人「編譯」 |
|
| < editionStmt > | edition statement | 版本陳述 |
| < edition > | Edition | 版本 |
| < publicationStmt > | publication statement | 出版發行陳述 |
| < distributor > | 出版者 | |
| < availability > | 使用限制、版權聲明 | |
| < sourceDesc > | source description | 本電子檔所依據的來源說明 |
範例：
|
< fileDesc > < titleStmt > < title >Taisho Tripitaka, Electronic version, No. 001 長阿含經< /title > < respStmt > < resp >Electronic Version by< /resp > < name >CBETA< /name > < /respStmt > < /titleStmt > < editionStmt > < edition >Version 1.0 (Big5)< date >1999/12/10< /date >< /edition > < /editionStmt > < publicationStmt > < distributor > < name >中華電子佛典協會(CBETA)< /name > < address > < addrLine >cbeta@ccbs.ntu.edu.tw< /addrLine > < /address > < /distributor > < availability > < p >Available for non-commercial use when distributed with this header intact.< /p > < /availability > < date >< /date > < /publicationStmt > < sourceDesc > < bibl >Taisho Tripitaka Vol. 1, No. 001 &desc;< /bibl > < /sourceDesc > < /fileDesc > |
2. Encoding Description電子版與來源間的關係描述
範例：
|
< encodingDesc > < projectDesc > < p lang="en" type="ly" >Text as provided by Mr. Hsiao Chen-Kuo, Text as provided by Mr. Chang Wen-Ming, Text as provided by Anonymous, USA< /p > < p lang="zh" type="ly" >蕭鎮國大德提供，張文明大德提供，北美某大德提供< /p > < /projectDesc > < /encodingDesc > |
3. Revision Description修訂摘要記錄
|
< revisionDesc > < change > < date >19990810/22:31:27< /date > < respStmt >< name >CW< /name >< resp >ed.< /resp >< /respStmt > < item >Created initial TEI XML version with BASICX.BAT (99/8/10)< /item > < /change > < /revisionDesc > |
二、本文（Body）
1. 最上層結構標籤集
< div1 >……< div7 >是本文最外層的結構描述標記，相當於一般書藉的篇、章、節、項、目等等，例如《瑜伽師地論》標記如下：
|
< text >< body > < div1 type="fen" n="1" > 瑜伽師地論卷第一 < byline type="Author" >彌勒菩薩說< /byline > < head >本地分< /head > < div2 type="di" n="1" >< head >五識身相應地< /head > < div3 type="zhang" n="1" >< head >十七地總說< /head > …… < /div3 > …… < /div2 > …… < /div1 > < /body >< /text > |
2. Paragraph Level段落層標籤集
(1) < p > 段落
範例：T02, No. 99, p. 1
|
< p >如是我聞< /p > < p type="inline" >一時。佛住舍衛國祇樹給孤獨園< /p > < p type="inline" >爾時。世尊告諸比丘。當觀色無常。如是觀者。則為正觀。正觀者。則生厭離。厭離者。喜貪盡。喜貪盡者。說心解脫< /p > < p type="inline" >如是觀受．想．行．識無常。如是觀者。則為正觀。正觀者。則生厭離。厭離者。喜貪盡。喜貪盡者。說心解脫< /p > < p type="inline" >如是。比丘。心解脫者。若欲自證。則能自證。我生已盡。梵行已立。所作已作。自知不受後有。如觀無常。苦．空．非我亦復如是< /p > < p type="inline" >時。諸比丘聞佛所說。歡喜奉行< /p > |
如上type="inline"是原本《大正藏》未分段，CBETA進一步細分的段落，如此在經文呈現時，可以選擇依《大正藏》原來的段落編排，或是可以有更易閱讀的段落編排。另外還有< p type="dharani" >則是咒語段落。
(2) < list > 列表
範例：T46, No. 1912, p. 207b
|
< list > < item >欲貪欲生< /item > < item >欲貪欲不生< /item > < item >欲貪欲亦生亦不生< /item > < item >欲貪欲非生非不生< /item > < /list > |
(3) < lg > 偈頌
範例：
|
< lg > < l >一切有為法< /l >< l >如夢幻泡影< /l > < l >如露亦如電< /l >< l >應作如是觀< /l > < /lg > |
3. Phrase Level片語層
(1) < corr > 勘誤
CBETA的編輯原則是以《大正藏》為準，但遇到《大正藏》有明顯的錯誤，我們也會做勘誤，標記如下：
T02, No. 99, p. 8, c6
|
佛說此經< corr sic="己" >已< /corr > |
(2) < fan > 反切
範例：T10, No. 279, p. 418, a20
|
< fan > < zi >哆< /zi > < yin >都我切< /yin > < /fan > |
(3) < note > 夾註
範例：T02, No. 103, p. 500, a04
|
佛說聖法印經< note type="inline" >天竺名阿遮曇摩文圖< /note > |
(4) < skgloss > 梵漢對照
範例：
|
< skgloss > < gloss >Saddharmapundarika sutra.< /gloss > < term >妙法蓮華經< /term > < /skgloss > |
(5) < tt > 悉曇字
如右圖是《大正藏》第18冊83頁中欄的悉曇字，標記如下：
|
< tt type="inline" > < t lang="sk-sd" >&SD-CFC5;< /t > < t lang="zh" >阿< /t > < /tt >字門一切諸法本不生故。 |
4. Milestone tags 里程碑相關標籤
(1) < milestone > 里程碑
|
< milestone unit="juan" n="1"/ > …… 佛說長阿含經卷第一 …… < milestone unit="juan" n="2"/ >佛說長阿含經卷第二 …… |
(2) < juan > 卷
|
< juan fun="open" n="001" > < jhead > < title >佛說長阿含經< /title >卷第一 < /jhead > < /juan > |
(3) < pb > 頁碼
如下所示是《大正藏》第2冊第1頁的上欄、中欄。
|
< pb ed="T" id="T02.0099.0001a" n="0001a"/ > No. 99 雜阿含經卷第一 宋天竺三藏求那跋陀羅譯 …… < pb ed="T" id="T02.0099.0001b" n="0001b"/ > …… |
(4) < lb > 行號
|
< lb n="0001a01"/ > < lb n="0001a02"/ >No. 99 < lb n="0001a03"/ >雜阿含經卷第一 < lb n="0001a04"/ > < lb n="0001a05"/ >宋天竺三藏求那跋陀羅譯 < lb n="0001a06"/ >（一）如是我聞一時。佛住舍衛國祇樹給孤 < lb n="0001a07"/ >獨園爾時。世尊告諸比丘。當觀色無常。如 |
(5) < mulu > 目錄
《大正藏》之中，尤其是一些大部頭的經典，雖然也有許多目錄資訊，但並不完整。如果有完整的目錄，甚至科判資訊，我們在HTMLHelp版便可以提供很方便的樹狀結構讀經介面，因此我們加了一個CBETA自訂的標籤
例如《瑜伽師地論》標記如下：
|
< mulu type="分" level="1" n="1" label="1 本地分"/ >本地分中五識身相應地第一 < mulu type="地" level="2" n="1" label="1 五識身相應地"/ > < mulu type="章" level="3" n="1" label="1章 十七地總說"/ > …… < mulu type="章" level="3" n="2" label="2章 五識身地總說"/ > …… |
5. 校勘
< app > 校勘
《大正藏》的校勘記錄了非常豐富、寶貴的資訊，我們將這些資訊記錄在 < app > 裏，例如T8, No. 235, p. 748, c19 第26個校勘：
《大正藏》作：姚秦天竺三藏鳩摩羅什譯
宮本作：姚秦三藏法師鳩摩羅什譯
標記如下：
|
姚秦 < app n="074826" > < lem >天竺三藏< /lem > < rdg wit="【宮】" >三藏法師< /rdg > < /app >鳩摩羅什譯 |
6. Graphics圖形
< figure > 插圖
範例：T18, p. 178
|
< !ENTITY FigT18017801 SYSTEM "figures/ 18000101.gif" > …… < lb n="0178a10"/ >< figure entity=" FigT18017801" >< /figure > |
肆、軟體工具
接下來介紹一些我們在標記編輯過程中所使用的工具軟體。
一、標記修訂：UltraEdit
UltraEdit(r)（註1）是一個相當好用的純文字編輯器，我們使用它來編輯XML經文檔，並在UltraEdit裏設定呼叫XML Parser（註2），讓我們隨時可以做XML語法檢查，方便尋找、修正錯誤。
二、版本維護：CVS
CBETA校對組致力於提昇經文的正確度，不遺餘力，進入標記階段後，我們當然不希望任何人工編輯的失誤降低了經文的正確度，因此我們採用了CVS（Concurrent Versions System）（註3）這套免費的版本管理軟體，它允許多人同時編輯，並有完整的修訂歷史記錄，幫助我們提昇CBETA的經文品質。
三、成果輸出
前面我們提到，「顯示格式」與「內容」分離處理的好處，現在就顯現出來了。有了基礎的XML經文檔，便可以運用各轉檔程式產生各種不同格式的經文檔，滿足使用者的各種不同需求。例如在Normal、App這兩個純文字版本中，我們儘量以通用字來表達缺字，在HTMLHelp版中則優先以Unicode來表達缺字，對於顯示格式、字體大小、顏色等也能有更好的編排選擇。
我們使用自行撰寫的程式來進行轉檔，流程如下圖所示：（見圖2）
伍、CBETA電子佛典標記的未來
CBETA目前對電子佛典所做的標記還是相當有限的，因為CBETA現階段的工作重點在於建立電子佛典的基礎，因此我們並沒有太多的人力進行全面的內容標記。即使如此，對於五十餘冊《大正藏》，大約一億字的資料（還是文言文的），光是要進行這些基本的標記，工作量也不算小的了！
未來，我們希望能做更進一步的內容標記，例如：人名、地名、時間、朝代、名相等等；利用這些標記，能設計出更方便大家使用的工具軟體。然而這可能不是CBETA可以獨力完成的工作，但或許CBETA可以在Internet上建立一個分工合作的機制，一套標準的佛典標籤集，讓Internet上專精不同領域的學者都能為電子佛典標記貢獻心力！
【附註】
| 註1： | http://www.ultraedit.com/。 |
| 註2： | ftp://ftp.jclark.com/pub/sp/。 |
| 註3： | http://www.cvshome.org，http://www.wincvs.org/。 |
【參考書目】
| 1. | C. M. Sperberg-McQueen and Lou Burnard, Guidelines for Electronic Text Encoding and Interchange (TEI P3), Chicago, Oxford：Text Encoding Initiative, 1994. |
| 2. | Frank Boumphrey著；李寶華譯，《專業XML技術寶典》，台北市：碁峰，民89。 |