Series 2 · 第 4 篇 — 康熙 Parser。上一篇：王力与 Quizzman Fanqie Engine 的理念：重建音系，而非照搬俗读
从《康熙字典》到演算法：Quizzman Fanqie Engine Parser 的建构之路
在 Quizzman Fanqie Engine 能够根据反切推导汉越音之前，首先必须解决一个更困难的问题：如何让电脑理解《康熙字典》中清代学者的音注方式？ 与现代结构化资料不同，《康熙字典》的字头混合了反切、注音、多部韵书引用、音韵标记，以及大量以文言文记录的特殊说明。因此，Parser 的建立并不是单纯撰写程式，而是从研究数万条字头开始，找出古人共同遵循的编纂规则。
第一个问题：《康熙字典》不是资料库
许多人认为，《康熙字典》只是一本庞大的资料库。
事实恰恰相反。
《康熙字典》是一部十八世纪依照学术传统编纂而成的辞书。
一个字头可能同时包含：
- 字义解释
- 异体字
- 注解
- 多部韵书来源
- 多组反切
- 多种读音
- 编者评语
它没有 XML，也没有 JSON 这样固定的资料格式。
电脑无法直接理解。
若要建立音韵引擎，第一步就是将这些文献内容转换成结构化资料。
第一步：分析整部《康熙字典》的 Pattern
Quizzman 并没有一开始就撰写 Parser。
相反地，团队先花了大量时间研究《康熙字典》的编排方式。
目标不是逐字阅读，而是回答一个问题：
《康熙字典》的编者通常使用哪些格式记录语音资讯？
经过大量统计后，可以发现大多数音读资料都围绕几部重要韵书：
- 《广韵》
- 《集韵》
- 《唐韵》
- 《韵会》
- 《正韵》
其中，《广韵》与《集韵》的出现频率最高，也是 Fanqie Engine 最重要的资料来源。
因此，Parser 可以判断哪些内容应优先分析，哪些只是补充说明。
并不是所有反切都长得一样
确定资料来源之后，更困难的问题才真正开始。
《康熙字典》的反切并非只有一种形式。
最基本的是：
AB切这也是最典型的反切格式。
Parser 只需拆分：
- 上字
- 下字
然而，实际上还存在许多变体，例如：
AB切某声
AB切又音
AB切音某
AB切读若……
AB切叶某韵
又作……
又与某同
俗作……每一种格式都代表不同的学术意义。
如果 Parser 把它们全部当成标准反切，后续推导将立即出错。
最困难的是辨识 Override
《康熙字典》中最难处理的 Pattern 之一，就是：
AB切某声乍看之下，很多人会认为：
AB切后面只是附加一句说明。
事实并非如此。
很多情况下，
某声并不是注解。
它会覆盖（Override）反切原本的声调资讯。
这一点极其重要。
如果 Parser 只解析：
AB切Engine 就会依照下字的声调推导。
但《康熙字典》的真正意思却是：
声母与韵母依照反切取得，声调则改用某声。
这是 Parser 建构过程中最难发现的重要规则之一。
「好」字就是典型例子
曾让 Parser 多次重新设计的代表案例，就是：
好如果只分析反切，
Engine 可以得到一份 Middle Chinese 音系资料。
但《康熙字典》同时还附有声调说明。
因此 Parser 必须理解：
- 反切仍然有效
- 声调不再完全由反切决定
- 「某声」属于声调覆盖（Tone Override）
若无法辨识这种 Pattern，后续整个 Middle Chinese Reconstruction 都会产生错误。
因此，Quizzman 并不把 Parser 视为字串切割工具，而是专门分析音韵文献的 Grammar Parser。
「读若」不是反切
另一类必须独立处理的 Pattern 是：
读若……这并不是反切。
它只是表示：
读音接近某字。
因此：
- 它只是参考性的语音提示
- 不足以建立标准 Middle Chinese Profile
- 不应与《广韵》反切一起进入 Fanqie Pipeline
Parser 必须辨识：
这是 Phonetic Hint，而不是 Fanqie Record。
「叶韵」并非标准发音
另一个容易混淆的例子是：
叶某韵或：
协韵它们主要出现在诗歌中。
目的只有一个：
为了押韵而调整读法。
这并不代表该字的标准音。
若 Parser 将它当成正式读音，Engine 就会引入大量错误例外。
因此，Quizzman 将：
Rhyme Note
与：
Phonological Evidence
完全分离处理。
Parser 不只是读取，更要分类
完成大量 Pattern 研究之后，
Quizzman 的 Parser 已经不再只是：
Regex
↓
Fanqie而是先替每一段注解分类。
例如：
| Pattern | 分类 | |---------|------| | AB切 | 标准 Fanqie | | AB切某声 | Fanqie + Tone Override | | 读若 | Phonetic Hint | | 叶韵 | Rhyme Annotation | | 又音 | Alternate Reading | | 俗音 | Colloquial Reading | | 古音 | Historical Reading |
只有完成分类后，
Engine 才知道后续应采用哪一套处理流程。
Parser 决定整个 Engine 的品质
很多人认为，
Fanqie Engine 最困难的是汉越音推导。
其实，只说对了一半。
如果 Parser 一开始分类错误，
那么：
- Middle Chinese Reconstruction 会错
- Projection 会错
- Tone Resolver 会错
- Candidate Ranking 也会错
换句话说，
整个 Engine 的所有演算法，都建立在 Parser 的正确性之上。
因此，Quizzman 在撰写任何程式之前，投入大量时间研究《康熙字典》的学术结构。
对 Quizzman 而言，《康熙字典》并不是一本等待「阅读」的古籍，而是一套需要模型化（Modeling）的编辑规范。
正是透过大量 Pattern 分析、反切分类，以及对 AB切某声、读若、叶韵 等特殊格式的辨识，才为后来整个 Quizzman Fanqie Engine 奠定了基础。