YORKXIN×YORKXIN

因為某些因素，我有好一陣子在研究大學甄選入學的制度和電子化 (或說數位化) 內容；這不僅是中正大學的甄選入學委員會，還包括了各大學 (凡 69 校) 公佈榜單的方式。做了兩回合之後只覺得：台灣的數位化還需要加油。

民國 97 年大學甄選入學各高中建議事項 (Excel 活頁簿檔案)及官方回應已經發佈在大學甄選入學委員會的網站上了。其中幾項其實頗耐人尋味，例如這項：

「可否請中心加強宣導，各大學電子榜單可否儘量採用HTML網頁格式就好，最好不要使用PDF檔！那個洋鬼子發明的東西對中文接受度差，若是使用新細明體或是標楷體以外的字體，搜尋就會出問題！PDF格式的榜單連第4點中提到的交叉查詢網站的作者也都嫌棄咧！」──花蓮女中

而這則建議的官方回應則是：

「轉知高中意見予自行開發軟體之大學，請其參考配合辦理。」

當然這看在我們這些稍微有接觸過一點電腦科學(其實我不知道怎麼形容)的人，是啼笑皆非的；我在想大學甄選入學委員會看到這則問題可能也很無奈。

—

首先，我們知道的是，洋鬼子發明了你電腦裡絕大多數的東西，包括你摸得到或你摸不到的東西。若要說 PDF 因為是洋鬼子發明所以對中文支援度極差，那麼也可以說 Windows 因為是洋鬼子發明所以對中文支援度極差；雖然後面那句有幾許正確，Windows 對中文的支援 (或說國際語言) 要到 Vista 才真正有大改善。

若要說因為使用了新細明體或標楷體以外的字體導致無法搜尋 PDF 內容文字，那麼可能他要搜尋的字，在當初製作 PDF 的時候是另外造字的，甚至會說這種話的人大概不知道「為甚麼要用 PDF 發佈榜單」。

PDF 是有把文字的編碼寫入的，也就是不管你用什麼鬼字體來製作一般的 PDF 檔案，在 PDF 閱讀程式中使用「搜尋」的功能是可以找到字的。會有找不到字的狀況，可能是像這個檔案：國立臺灣大學九十七學年度學士班甄選入學招生錄取名單（個人申請）.pdf

這時候為了要解釋，只好上一下計概課…

在電腦裡要顯示文字所使用的是所謂編碼系統 (Encoding) ，每個字基本上都是一張圖，一個字一個字給它編號，電腦在讀取的時候只讀編號，再依字的編號找出字的長相，秀給你看；有點像是使用四角號碼檢索活字印刷字模時，「號碼」與「文字」的分別。Windows 在 2000 以前使用的中文編碼系統是資策會發明的 Big5，這種編碼系統收錄的漢字不夠齊全，大部份的罕用字都沒有收入。而「寗」這個字在 Big5 中文編碼系統裡面是沒有的。

洋人發明的 Unicode (萬國碼) 收錄了絕大多數的漢字文化圈 (中日韓越) 漢字。然而 Windows 對 Unicode 支援要到 XP 、 Vista 版本才比較齊全，你在 Windows XP (不含) 以前的作業系統，要輸入這些罕用字是很辛苦的，甚至你輸入的這些字拿到別的電腦能不能看還是個問題。

而我認為，甄選入學委員會在這個 Windows 作業系統的編碼混亂過渡期，不得不選擇了使用 Big5 撰寫程式──或著說，使用舊時代的架構寫程式，讓新的 Windows 直接進入 Big5 的相容模式──，並提供用於 Windows 的非 Big5 漢字造字檔 (可以在網站上下載到，對照表在這裡) 以及一系列的教學文件，再規定大家在上傳資料的時候一律使用這些造字集來輸入罕見字。

對照表的某一張活頁簿如下圖所示，可以很明顯看出來是把特殊用字放在 Big5 的使用者造字區 (0x8140 至 0xA0FE 、 0xF9D6 至 0xFEFE、0xC6A1 至 0xC8FE 等三個區域)，以便於讓 Unicode 支援度尚不完整的 Windows 作業系統可以在(可能是) Big5 編碼的大學甄選入學作業軟體裡面，使用內碼輸入法輸入這些字：

當然，這些自訂造字是 Windows 在用的， Mac OS X 無法使用；所以上面這張圖的框框都是亂碼。

著名的罕用字 (a.k.a. 所謂的「電腦打不出來的字」)，如堃、寗、喆，這些名人的名字一天到晚出現在報章雜誌上，但不幸的是，古時候設計的 Big5 編碼沒有收錄，從古時候傳承下來的媒體製作軟體 (報章雜誌、新聞剪輯) 也打不出來，只好造字。而幸運的是，Unicode 有收錄這些字。在中研院的全字庫網站可以查到這些字在 Unicode 裡面的編碼，以及你的電腦有沒有辦法顯示這些字。例如堃這個字。

—

那再回到原問題：為甚麼會有搜尋不到字的問題？

如果所指的是這些罕見字無法搜尋，那答案很明顯了：假如你直接用注音輸入法輸入寗(「ㄋㄧㄥˊ」)，那你得到的是 Unicode 的「寗」這個字 (Unicode: U+5BD7)，而不是甄選入學委員會造給你的 Big5 造字。別忘了前面說過，電腦讀取文字是只讀編碼，再從字形裡面去找該編碼對應的文字圖形，顯示給你看。

所以理所當然，你使用注音輸入法打進去的這些特殊字來當關鍵字，去搜尋 PDF 檔案，結果是找不到。對機器來說，兩個編號不同的東西就是完全不同的東西。──這是我認為花蓮女中提出此建議的根本原因

使用這種文字系統 (Big5 + 自造字)，好處是電腦在處理的時候，遇到亂碼字照常處理，反正電腦只看得懂字的編碼，分不清楚字是長甚麼樣子；輸出成 PDF 後，就算電腦裡面沒有安裝自造字集，還是照常顯示 (PDF 儲存文字時是把編碼和長相 (向量圖) 一併儲存) 。

但壞處就是使用 HTML 輸出的時候，這些字在未安裝造字集的電腦上是亂碼，例如東吳大學的錄取榜單，以及大部份大學發佈的 HTML 版錄取榜單。有少數幾個學校很聰明地把整份榜單的罕用字全部重打 (Unicode 漢字)，傳到別的電腦也可以看；有的學校卻是更自做聰明地把整份檔案改用 .txt 輸出，那其實看到的效果跟 HTML 是一樣的。更有些學校把整份榜單用圖片輸出，雖然「對大眾傳遞榜單內容」這件事是沒問題的，但若說到數位化，這是在走回頭路。

—

但改用 Unicode 就解決了嗎？當然不是，你永遠不知道哪天又冒出一個人的名字是連 Unicode 都沒收錄的，但至少可以省下大部份罕用字造不出來的麻煩。大學甄選入學委員會在民國 97 年的大學甄選入學把網站整個轉成 Unicode (UTF-8 with BOM)，包括榜單(通過篩選名單以及最終分發名單)，也許他們也注意到文字編碼這件事 (只支援 Big5 的作業系統幾乎沒人在用了)。

這是值得肯定的，但部署 (distribute) 到各高中職、報名單位以及大學的甄選入學作業軟體，要重寫就不是那麼容易的事了，我猜想這套軟體可能整份專案是從 Windows 98 時代就一直寫著了，要轉換編碼不如砍掉重練的感覺…。

—

你說這干我什麼事？我都大二了應該不需要管這個。的確是這樣，不過我會寫這麼長篇來針對這個主題寫文章，是因為花蓮女中提出的該建議裡面寫到這一句：

「PDF格式的榜單連第4點中提到的交叉查詢網站的作者也都嫌棄咧」

其中提到的第 4 點是寫這樣：

「網站上出現一個大二生所寫的交叉查榜網站，中心是否知悉？對於這樣的網站是否侵犯學生的隱私權？有否防範的作為？或者是，乾脆由中心自己寫一個…」 ──花蓮女中

啊不好意思，這網站就是我寫的…

所以只好寫一篇來澄清某些事實，例如：

我沒有嫌棄 PDF ，而是當我要處理榜單資料時，PDF 格式比 HTML 或 txt 還難處理。PDF 在複製-貼上的時候，空白的部份沒辦法複製，等於是我要另外寫更噁心的 Regular Expression 或直接寫 Parser 來讀這些檔案。而甄選入學委員會提供的 HTML 彙整輸出，格式就那麼死板，一隻 Parser 就吃光光了。甚至自做聰明用 txt 發佈的檔案，處理起來會比 HTML 還容易。我只記得去年我還要處理文字編碼的問題 (Big5)，今年這個問題還比較小。

對於寫程式的我來說，我要處理 PDF 是比較麻煩；但若僅針對「把榜單內容散佈給大眾」這件事，PDF 是最佳的選擇。PDF 的優勢在於「所見即所得」，輸出的時候就像你在「列印」，在任何讀檔軟體開，格式都不會亂，也不需要像 Word 文件、HTML 或 .txt 那樣要擔心罕見字編碼的問題；當然也可以搞一些花樣 (例如交通大學的榜單還有浮水印，以及密碼鎖)，更重要的是，這種檔案拿到 Windows, Linux 或 Mac OS X 都可以開，就算作業系統沒有內建讀檔軟體，Adobe 官方也有提供免費下載的讀檔軟體。對於「散佈」這個目的來說， PDF 是更勝於 HTML、 Word 文件以及 .txt 的。

該建議把 PDF 無法搜尋文字和我的交叉查榜網站放在一起講，可能會誤導成「做交叉查榜的那個人也認為 PDF 無法搜尋文字」，當然我的說明已經寫在前文了。

我身為一個非官方的網站營運者，我不可能要求各大學統一榜單格式，當然也不可能要求他們提供我指定格式的榜單檔案，頂多只能見一種格式殺一種，Parser 一直寫就是了，要嘛請強者鄉民幫忙寫程式也行。

—

至於所謂交叉查榜的網站是否有侵犯隱私權的問題，國立中正大學的大學甄選入學委員會表示：

「榜單原本就屬於公開資訊，該網站資料也並非本會所提供，應無侵犯考生隱私權之虞。」

雖然在情感上，某些出現在榜單上的考生，會希望把榜單的姓名做馬賽克或特殊處理。

—

回到文初提到的殺人句，為甚麼我要說，台灣的數位化還需要再加油呢？

從甄選入學各大學發佈榜單檔案的方式就看得出來。

97 年的大學甄選入學交叉查榜，在收集資料的過程中，我大致記錄了各校使用的榜單格式，記錄在這個網頁的表 1。不過我沒記錄使用的文字編碼，我印象中有少數一、兩個學校還特地把罕用字以 Unicode 記載，甚至有的學校把罕用字拿圖片去貼…。

大部份學校在發佈榜單時是直接拿甄委會提供的 HTML 輸出程式來發佈，因此內文編碼是 Big5 + 甄委會的自造字，然而遇到大部份預設編碼是 UTF8 的網頁伺服器加上無法自動猜測編碼的瀏覽器 (例如 Safari 或 Webkit 系)，一進去就是亂碼，還得要自己手動切換文字編碼。一部份學校使用自有的程式發佈自創格式的檔案，但大致上都朝向「印刷出來是一張精美的榜單」的目標。

以上兩種情況還可以說是無可厚非。

最誇張的應該是以 Word 文件甚至 Excel 表格，甚至 WinRAR 的 .exe 自解壓縮檔發佈的。我不知道為甚麼還有人假設「每個人的作業系統都是 Microsoft Windows，每個人的 Windows 裡面都有 Microsoft Word 以及 Microsoft Excel」。很明顯把個人電腦的世界看得太狹礙。

—

重點在於文字編碼的混亂，以及榜單未達到「散佈內容」的標準，這是我在大學甄選入學放榜作業中看到的問題。

如果說數位化要從公家機關做起，那很明顯有不少公家機關拿到的分數是不及格的。