蒼頡檢字法《內碼對照表》文本化計劃

馬拉一個錘子

長久以來，坊間流傳的蒼頡檢字法（蒼頡六代）碼表，由於整理時間較早，且編寫者最初對蒼頡檢字法的輔助字形與規則等理解不足，導致存在許多錯誤和不自洽之處，與官方碼表牴牾，甚至出現了出於作者喜好而修改常見字編碼的情況。

然而，由於倉頡官方使用的內碼系統不同於現今流行的 Unicode，官方交予坊間的資料僅有一份 PDF 文件和一份文本化不完全的 Word 文件。在這份 Word 文件中，僅有部分基本區和少數 A 區漢字得以文本化，其餘漢字則以 &~倉頡碼;的形式代替，例如：

字符	蒼檢編碼	2003 版五代倉頡編碼
&~IKYAJ;	IKYAJ	IKYAJ
㐃	IL	IL

由於文本化的不完全以及其中存在的 Unicode 對應錯誤，這份 Word 中的編碼無法滿足日常使用。因此，蒼頡檢字法用戶不得不繼續使用坊間存在諸多錯訛的碼表，導致許多新用戶被錯誤編碼誤導。

出於改善倉頡輸入法生態、為社區盡一份力的意願，我與 @InSb 共同啟動了蒼頡文本化計劃，將《內碼對照表》PDF 中的內容，在 Word 文件的基礎上逐行輸入至電腦，以期讓基於 Unicode 的計算機也能使用到原汁原味的蒼頡檢字法碼表。

馬拉一個錘子

特點

① 完全忠實於官方編碼

本碼表完全忠實於官方蒼頡檢字法碼表，不更改《內碼對照表》的編碼，即使其中存在筆誤亦然，完全體現蒼頡檢字法原貌。

② 採用 IDS 表示未收錄漢字

對於尚未收錄於 Unicode 的漢字，我們採用表意文字描述符（IDS，Ideograph Description Sequence）表示，例如：&~AABDD; 目前尚未收入 Unicode，暫以「⿱昍冧」代之。

③ 增設「全碼」欄位

除了官方的「蒼頡檢字法官方內碼」與「2003 版五代內碼」以外，我們另增二欄，以方便用戶使用：

1. 蒼頡檢字法全碼

《內碼對照表》中收錄的蒼頡檢字法編碼與 2003 版五代編碼皆為內碼，為保證唯一性，蒼頡檢字法編碼後面可能帶有數字。

碼長小於五時： 數字不會佔去編碼，例如：「已」SU1 (全碼 SU)。
碼長等於五時： 數字可能佔去編碼，例如：「𢻽」MVIY1 (全碼 MVIYE)。
此欄會參考蒼頡檢字法輔助字形和重碼情況，刪去或補足編碼，以提供完整的編碼。

2. 2003 版五代倉頡全碼

由於該項資料已於《漢文庫典》中提供，我們使用 Danny Lin @Danny0838 爬取的《漢文庫典》數據。

④ 碼表排列形式

文本化後的碼表以以下形式排列：

漢字或 IDS

蒼頡檢字法官方內碼

蒼頡檢字法全碼

2003 版五代內碼

2003 版五代全碼

馬拉一個錘子

經過文本化，若不計入同一Unicode字符不同編碼的情況，則本碼表目前收錄以下區域的漢字，日後若 Unicode 擴增，此處統計可能更新。

Unicode區塊	字數
Unicode CJK基本區	20916
Unicode CJK康熙部首增補	7
Unicode CJK擴展A區	6577
Unicode CJK擴展B區	30542
Unicode CJK擴展C區	183
Unicode CJK擴展D區	6
Unicode CJK擴展E區	214
Unicode CJK擴展F區	332
Unicode CJK擴展G區	140
Unicode CJK擴展H區	104
Unicode CJK擴展I區	20
Unicode CJK擴展J區	126
Unicode CJK相容表意字符	16
Unicode CJK筆劃	4
Unicode未收錄字符	5226
其他字符	78

馬拉一個錘子

下面不完全列舉本碼表與坊間蒼頡檢字法碼表的不同之處：

漢字	本碼表（官方）	坊間蒼頡檢字法碼表	備注
已	SU1/SU	SYU
歹	MN1/MN	MNI	坊間編寫時不知有「癶的左邊」輔助字形
列	MNLN	MNILN	同上
夙	HNMN	HNMNI	同上
㱛	MNMN	MNMNI	同上
鳳	HNMZ	HNMHZ
盘	HYBT	HBYT	未遵循「上下形上方為半封閉形與下分離時視作字首」規則
曱	WMLL	AJ	坊間蒼頡檢字法取碼原因不明
甴	LWLM	JA	坊間蒼頡檢字法取碼原因不明
㝱	JBNI	JMTN	坊間編寫時不知有相關輔助字形
铲	OPY	OPYTH	坊間「产」部件取碼不統一，此處錯誤地未使用「产」輔助字形
萨	TNLY	TNLY	坊間「萨」編碼正確，但與前述「铲」取碼矛盾
钦	OMPNO	OPNO	未使用「反字身」規則
锥	OMPOG	OPOG	同上
䦅	OPTQR	OPTGR	不存在的字形
夜	YOK	YOK/YONK	坊間蒼頡檢字法編碼時不知有“夜的右下角”輔助字形
兎	HLAI	HLUI	誤用不存在的輔助字形
嚣	RRMBR	RRMOR
𩰲	NZ	NNMRB	未使用「Z」部的輔助字形，與「鬻」取碼矛盾
曾	CWA	CWFA	「CWFA」編碼僅適用於上部寫「八」的字形
𡆵	WX	WLLL	未使用「止」部的輔助字形，因坊間編寫時不知有此輔助字形

馬拉一個錘子

下載本碼表，及瞭解更多，請到GitHub專案頁

馬拉一個錘子

感謝 @wcshds、@yi-bai 先生，為我和 @Insb 的文本化工作提供了許多支持，若沒有這些協助，蒼頡檢字法文本化計劃不會以如此高的品質與大家見面。

感謝 @Danny0838 爬取的漢文庫典資料，使得我們可以方便準確地补全2003版五代倉頡的全碼。

InSb

感謝大家的幫助！

專案現歸於我名下，如有疑問可於專案留言，或在本帖回覆。

qkj70

太酷了！

qkj70

请问一下为什么相比较“坊间码表”，少了那么多字？
这个：https://github.com/rime-aca/rime-cangjie6
10万左右 VS. 7万左右

山水晏

qkj70 發表於 5-11-2025 04:40 PM
请问一下为什么相比较“坊间码表”，少了那么多字？
这个：https://github.com/rime-aca/rime-cangjie6
10 ...

大概還没更新到擴展J區的字

馬拉一個錘子

qkj70 發表於 5-11-2025 04:40 PM
请问一下为什么相比较“坊间码表”，少了那么多字？
这个：https://github.com/rime-aca/rime-cangjie6
10 ...

上文已提及，倉頡輸入法官方自有一套字符集與內碼體系，與Unicode並不相同。內碼對照表中僅收錄官方字符集所包含的字。從數量上看，Unicode經過多次擴充，其收錄的字符數量已遠超官方內碼表。

Unicode所收錄的字未必存在於官方字符集中；反之，官方字符集內的部分字，也不一定包含於Unicode。本計劃即是將官方收錄的字精確映射至Unicode，將蒼檢的官方碼表變成基於Unicode的計算機可以處理的文本，而不會對字數進行增減。

坊間流傳的蒼檢碼表雖字數眾多，卻多有粗製濫造、內容矛盾之處。本碼表雖收錄字數較少，但品質更為可靠，與蒼檢的實際規則更加相符。

qkj70

删

山水晏

馬拉一個錘子 發表於 5-11-2025 05:21 PM
坊間流傳的蒼檢碼表雖字數眾多，卻多有粗製濫造 ...

「敲得出字」不是選擇輸入法的首要考量嗎？

馬拉一個錘子

山水晏 發表於 10-11-2025 08:41 AM
「敲得出字」不是選擇輸入法的首要考量嗎？

凡事總有過程，是先改善質量，弄清規則，再考慮擴增，而非反過來，我相信本碼表是日後擴增的良好基礎，它已經包含了常用字，和大量的罕用字，不包括Unicode尚沒有的字，實際收字也有五萬九千多字呢。

如果碼表存在大量衝突矛盾的編碼，同樣不能打出字。就像「萨」在坊間編碼「TNLY」，利用了「产」輔助字形，而「铲」卻編碼「OPYTH」，沒有使用「产」輔助字形。「奡」編碼「MUKLL」，「𬛬」却又編碼「HUKL」。「啻」編碼「YBLBR」，而「𬃨」卻編碼「YBLD」。這種錯誤衝突的編碼會讓使用者無所適從，即使碼表有收字，無法通過正常的規則和輔助字形知道該字在該碼表中的真正編碼，也無法打出字。
補全字集屬於另一項獨立的工作，而本專案的目標就是將《內碼對照表》文本化，還原原貌，這樣才能方便研究規則、為擴增打好基礎。我們十分認同大家補全字集的建議，我們的任務尚未完成，我們會繼續努力。

山水晏

馬拉一個錘子 發表於 10-11-2025 10:45 AM
凡事總有過程，是先改善質量，弄清規則，再考慮擴增，而非反過來，我相信本碼表是日後擴增的良好基礎，它 ...

像Unicode這種一碼多形的字
倉頡碼如何處理

馬拉一個錘子

山水晏 發表於 10-11-2025 01:54 PM
像Unicode這種一碼多形的字
倉頡碼如何處理

官方在《內碼對照表》中已處理了異體字的問題。在倉頡系統中，這些字都是不同的字，擁有不同的內碼，然而，Unicode中這些有細微差別的異體字都被「統合」到同一個碼位上，所以在文本化的過程中，就是將不同的倉頡碼對應到同一個Unicode碼位上，以兼容異體寫法。例：
沿  EHNR
沿  ECR

勺 PI
勺 PM

黄 TLWC
黄 TWC

虎 YPHU
虎 YPHN

另再提一句，目前，倉頡三代和五代在規則和碼表上都已很完善，都已有編到擴展J區、質量較高的碼表，閣下所言及的字形問題也有妥善處理。本計劃主要針對的是蒼頡檢字法（蒼頡六代）。若需要擁有全部Unicode CJK表意文字的碼表，目前（2025年11月10日）倉頡只有三代和五代可選。

山水晏

馬拉一個錘子 發表於 10-11-2025 02:02 PM
官方在《內碼對照表》中已處理了異體字的問題。在倉頡系統中，這些字都是不同的字，擁有不同的內碼，然而 ...

這個臺灣字形
我不會敲「EHNR」

馬拉一個錘子

山水晏 發表於 10-11-2025 02:13 PM
這個臺灣字形
我不會敲「EHNR」

正是，因此上方已有提及「沿」也有「ECR」編碼。

山水晏

馬拉一個錘子 發表於 10-11-2025 02:22 PM
正是，因此上方已有提及「沿」也有「ECR」編碼。

所以「儿」「兀」也都用「C」

馬拉一個錘子

山水晏 發表於 10-11-2025 02:26 PM
所以「儿」「兀」也都用「C」

並非如此。倉頡三代、五代，乃至蒼頡檢字法，都是嚴格區分「ㄦ」和「儿」的。
請見倉頡五代手冊中的規則說明。

因此「兒」在三代和五代取碼「HXHU」、在蒼檢中取碼「XHU」，不可取「HXC」或「XC」。
「儿」在三代和五代中取碼「LU」，在蒼檢中取碼「LU」和「HU」，不可單取「C」。「兀」在三代、五代和蒼檢中都取碼「MU」，即丆乚，不可取「MC」（一ㄦ）。

只有像「沿」右上方的部件可以取碼「C」，取碼「ECR」，再例如「陸」、「西」中的「ㄦ」可以取碼「C」。