Chinese taalverwerking op de computer - B-t.asia

De karakters zijn geordend aan de hand van de positie die ze hebben in vier belangrijke
woordenboeken. In volgorde van belangrijkheid zijn deze Kangxi Zidian, Dai Kan-Wa Jiten,
Hanyu Da Zidian en Dae Jaweon. Als een karakter in de Kangxi Zidian gevonden wordt dan
volgt het de volgorde van de Kanxi Zidian, indien het karakter er niet in staat, dan wordt er
gekeken naar de Dai Kan-Wa Jiten. Indien het karakter daarin gevonden wordt dan wordt het
geplaatst na het karakter dat er voor staat in de Dai Kan-Wa Jiten maar dan volgens de Kangxi
Zidian volgorde. Indien het karakter niet gevonden wordt dan wordt er gekeken naar de
Hanyu Da Zidian en de Dae Jaweon op eenzelfde manier. Chinese karakters met een
vereenvoudigd radicaal worden geplaatst na het laatste karakter met het onvereenvoudigde
radicaal.
Op dit ogenblik is de laatste Unicode standaard 3.2.0. Een lijst van software producten die
unicode ondersteunen is te vinden op de website van het Unicode Consortium. 58
Bij Unicode wordt er opnieuw begonnen vanaf 0. Bij de vorig besproken karaktersets
werd steeds begonnen aan hogere getallen (>127) om de compatibiliteit met ASCII niet te
verliezen. Unicode blijft compatibel met ASCII omdat het de eerste plaatsen opvult met
ASCII.
Unicode gaat nog iets verder dan de meeste karaktercodes en geeft aan ieder karakter niet
alleen een uniek nummer maar ook een officiële Engelstalige naam, die soms heel duidelijk is
en soms ook totaal nietszeggend kan zijn. Zo is de naam voor A: ‘Latin Capital Letter A’,
terwijl de naam voor 骨 (gǔ, been) ‘CJK Unified Ideograph-9AA8’ is. Daarnaast definieert de
standaard ook een groot deel normatieve eigenschappen en bijkomende informatie.
Negatieve kanten aan Unicode zijn dat de glyphs samengevoegd worden bijvoorbeeld de
glyphs voor 1 (één) zijn in het Chinees, Japans en Koreaans niet volledig hetzelfde maar toch
werd maar één codepunt toegewezen. Zo wordt het radicaal “gras” van het karakter gras in het
vereenvoudigd Chinees, Japans en Koreaans met drie streepjes geschreven, maar in het
traditioneel Chinees met vier. Veel kritiek is echter cultuur gebonden. Velen hebben het
gevoel dat de talen verenigd zijn (dit door het feit dat karaktersets vroeger taalgebonden
waren), dit is echter totaal niet het geval. Verder zijn veel gespecialiseerde, zelden gebruikte
karakters nog niet gecodeerd in Unicode. Daarnaast is het zeer moeilijk om nieuwe karakters
in de Unicode standaard te krijgen. 59 Het kan via gebruik te maken via Private Use Area
(PUA) of door middel van de Ideograph Description Sequence (IDS). Maar het probleem bij
PUA is dat het niet echt in de standaard komt, en dat het dus compatibiliteitsproblemen kan
58 http://www.unicode.org/unicode/onlinedat/products.html
59 de procedure is terug te vinden op http://www.unicode.org/pending/proposals.html
Thesis Sébastien Bruggeman Pagina 40