企业官网建设流程全解析

之前在整理汉字字形资料时，一直对甲骨文里的“册”字很感兴趣。很多资料把它解释为“古代竹简的形状”，但只看拓片上的弯曲线条，很难直接确认。这篇文章就用一个程序员的思路，把“册”字的字形结构拆成可量化的数据，再用代码验证：甲骨文“册”字，到底是不是简册编连的形状。

全文会从文字学常识讲起，给出可复现的 Python 分析脚本，并讨论计算机辅助古文字研究的边界和注意事项。无论你是第一次接触甲骨文，还是想了解数字人文方向的实际操作，都能从里面找到可以上手的思路。

1. 从“册”字说起：一个和竹简有关的问题

1.1 甲骨文“册”字长什么样

甲骨文，是商代晚期刻写在龟甲和兽骨上的文字，主要用于占卜记录，1899 年之后在河南安阳殷墟一带大量出土。甲骨文已经是一种相当成熟的文字系统，其中包含大量的象形字、指事字、会意字和形声字。“册”就是被反复讨论的典型象形字之一。

从字形上看，甲骨文里的“册”通常写作多根竖直的短线条并列，中间或两端有横向或略弯的线条把它们串联起来。这种形态非常像把一根一根的长条形薄片用绳子编连在一起。东汉许慎在《说文解字》里解释“册”字时，也说这个字是“符命”的意思，字形“象其札一长一短，中有二编之形”。用今天的话解释就是：像长短不一的简札，中间有两道编绳把它们连起来。

所谓“札”，指古代写字用的木简或竹简；所谓“编”，就是用来串联简札的绳子。所以“册”的字形从商代甲骨文到《说文解字》的记录，始终围绕同一个意象：把简札编连成书册。

1.2 “册”与“简”不是一回事

标题问的是“册”字究竟是不是古代竹简的形状。这个提问很自然，但严谨地说，“册”象的不是单独一根竹简，而是多根简札编连成册之后的形象。

先区分几个概念：

• 简：单根竹片或木片，古人写字的主要载体。
• 牍：较宽的木片，常常用来写公文或书信。
• 册：把若干简牍用绳索编连起来的整体。
• 策：古书中与“册”经常通用，指成编的简册，也引申为策略、计策。

所以更准确的表述是：甲骨文“册”字像“编简成册”之形。通俗地说成“竹简的形状”可以理解，因为简以竹制最常见；但从文字学和考古学的角度，应该说是“简册/简牍编连之形”。商代中原地带竹材的使用情况、简册实物的保存情况，仍需要更多考古材料佐证，因此“竹简形状”适合作为科普表达，“简册形状”更适合作为严谨结论。

1.3 为什么本文要用代码来验证

传统文字学判断一个象形字，主要靠字形排比、文献记载和考古实物互证。这种方法很可靠，但对初学者来说门槛高，而且不同学者对同一个字形可能有不同描述。计算机能做的是把“看上去像”变成“可以统计的特征”。

例如，我们可以把“册”的核心字形特征拆成三个可计算指标：

• 简札数量：字形里有多少根竖直笔画。
• 简札长短：这些竖直笔画是否长短不一。
• 编绳数量：字形里有多少道横向长线条。

如果一组字形数据经过自动检测后，得到“多根竖线 + 长短不同 + 多道横线贯穿”的结果，那就说明计算机量化结果与传统文字学描述一致。这就是数字人文里很常见的“字形结构量化”思路，也是本文后面要实现的完整示例。

2. 计算机能帮文字学做什么

2.1 古文字数字化的现状

近些年古文字数字化发展很快。甲骨文、金文、简帛文字都建立了各种数据库和字形库，研究者可以在线检索字形、辞例和文献出处。对程序员来说，这意味着大量字形图像、结构化标注数据可以被下载、处理和分析。

常见的切入点有三类：

第一类是编码和检索。汉字在计算机里有 Unicode、GBK 等编码方案，甲骨文也有专门的编码提案和字形数据。处理编码问题本身就是一个技术任务。

第二类是图像处理。甲骨文拓片往往有噪声、裂纹和残损，需要用灰度化、二值化、去噪、形态学运算等方法提取笔画，再做形状匹配或分类。

第三类是机器学习和数据挖掘。当字形数据足够多时，可以用卷积神经网络做甲骨文单字识别，用聚类算法研究字形变体，或者用知识图谱把“字形、读音、释义、辞例、出处”组织起来。

本文属于第二类的入门演示，但不会直接处理真实拓片，而是先用一个可复现的点阵模型把“册”字的结构特征做出来，再用代码检验理论描述是否成立。

2.2 一条可执行的验证思路

传统文字学对“册”的描述是“一长一短，中有二编”。要验证这个描述，可以按下面四步来做：

第一步，把字形转成二值网格。黑色笔画记作 1，白色背景记作 0。第二步，按列扫描，统计每一列里连续出现 1 的段落，段落长度超过阈值的就认为是简札。第三步，按行扫描，统计每一行里连续出现 1 的跨度，跨度超过阈值的就认为是编绳。第四步，统计简札数量和编绳数量，对比文字学描述。

这个思路的本质是“投影法”。它简单、直观，也很适合做入门示例。真实拓片会有断裂和噪声，效果会打折扣，但在可控的模型数据上，它能完整展示从字形假设到代码验证的闭环。

2.3 本文涉及的技术边界

需要提前说明，这篇文章不会训练神经网络，也不会对真实甲骨拓片做高精度识别。我选择的是最简单、最稳定的二值点阵分析方案。这样做有三个好处：

一是零基础也能看懂。不需要安装 TensorFlow 或 PyTorch。二是在本地可完整复现。只要安装 Python 和 Pillow，就能跑出全部结果。三是避免“纸上学来终觉浅”的问题。很多人看过甲骨文图片后依然不知道“册”字为什么像简册，亲手用代码把笔画结构拆出来之后，印象会深得多。

如果你想用这套方法处理真实拓片，只需要把“读点阵”换成“读图片”，后续预处理思路是相通的。

3. 环境准备与基础知识

3.1 Python 环境与依赖安装

本文示例使用 Python 3 编写，理论上 Python 3.8 及以上版本都可以运行。主要用到的第三方库是 Pillow，用于把点阵模型渲染成 PNG 图片。如果你只想做编码查询和行列扫描，甚至可以不安装任何第三方库。

安装 Pillow 的命令如下：

pip install pillow

如果下载速度比较慢，可以选择国内镜像源：

pip install pillow -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成后，可以执行下面的命令确认版本：

python -c "import PIL; print(PIL.__version__)"

看到类似10.0.0的版本号输出，就说明环境没问题。需要提醒的是，Pillow 版本不同，部分 API 可能有细微差异，但本文用到的Image.new()、img.load()、img.save()都是长期稳定的接口。

3.2 汉字编码基础

在计算机里，每个字符都有一个编号，最通用的编号体系是 Unicode。以“册”字为例，它的 Unicode 码点是 U+518C。计算机存储和传输文本时，又需要把码点转换成字节序列，常见方案包括 UTF-8、UTF-16、GBK 等。

UTF-8 是互联网最常用的编码，一个汉字通常占 3 个字节；GBK 是中文环境常见的编码，一个汉字通常占 2 个字节。理解这些概念对后续处理中文文本、数据库存储、接口返回值都很重要。

3.3 图像与点阵的基本概念

本文说的“点阵”，就是把一张二值图像抽象成一个二维数组。数组的行对应图片的横向，列对应图片的纵向，元素 1 表示黑色笔画，元素 0 表示白色背景。

例如下面这个 3 行 5 列的点阵：

0 0 1 0 0 0 0 1 0 0 1 1 1 1 1

它其实表示一个“T”形笔画。计算机不能像人一样直接“看懂”图片，它看到的只是这样的数值网格。所谓图像处理，就是对这些数值做各种统计和变换。本文的检测算法也建立在这个基础上，先构造点阵，再按列和按行扫描数值。

4. 第一步：在计算机里定位“册”字

4.1 查看“册”的 Unicode 与编码字节

先来看一个最简单的 Python 脚本，它负责查询“册”字在计算机里的编码身份。虽然这个步骤不涉及字形分析，但能帮你建立“文字本身也是数据”的直觉。

# file: ce_encoding.py ch = "册" print("字符：", ch) print("Unicode 码点：U+%04X" % ord(ch)) print("UTF-8 编码：", ch.encode("utf-8")) print("GBK 编码：", ch.encode("gbk")) print("码点十进制：", ord(ch))

在这段代码中，ord()返回字符的 Unicode 码点，encode()把字符编码成指定格式的字节串。运行后，你会看到类似下面的结果：

字符： 册 Unicode 码点：U+518C UTF-8 编码： b'\xe5\x86\x8c' GBK 编码： b'\xb2\xe1' 码点十进制： 20876

需要注意，不同 Python 环境、不同版本的编码表可能会导致 GBK 输出字节略有差异，但 UTF-8 的结果是稳定的。如果你的控制台显示为b'\xe5\x86\x8c'，说明“册”字在 UTF-8 下被编码成了 3 个字节，这与前面说的汉字 UTF-8 占用 3 字节规则完全一致。

4.2 编码信息说明了什么

“册”字在 Unicode 中的码点是 U+518C，这个码点属于 CJK 统一表意文字区。所谓 CJK，是指中国、日本、韩国、越南等地使用的汉字字符集。这说明现代计算机里的“册”字，和甲骨文里的“册”字虽然跨越了三千年，但在文字序列上是一脉相承的。

从工程角度看，了解这些编码信息有助于解决实际问题。比如当你从数据库读取中文数据出现乱码，或者调用第三方接口返回\u518c这样的字符串时，你就知道\u518c就是“册”字。对古文字数字化项目来说，编码问题更是基础中的基础，因为甲骨文、金文等古文字往往需要专门的字体和码位支持，处理不好就是一堆乱码。

5. 第二步：把“册”的字形结构变成数据

5.1 模型设计：一长一短、中有二编

现在我们进入核心环节：把《说文解字》里“象其札一长一短，中有二编之形”的描述，转成一个可控的点阵模型。

我建一个 16 行、20 列的二值网格，用来表示简化的“册”字示意图形。设计规则如下：

• 4 根竖直笔画代表简札，其中两根较长、两根较短。
• 2 道横向长笔画代表编绳，横跨整个字形。

需要说明的是，真实甲骨文中的“册”字形并不只有这一种，有的简札数量更多，有的编绳只有一道，有的线条弯曲。这里构造的是一个理想化的示意模型，目的是让代码检测结果能够和文献描述一一对应。

5.2 用点阵数据构造字形

下面代码负责生成这个点阵。先把网格全部填充为 0，然后按坐标把对应位置设为 1。

# file: ce_shape_model.py H, W = 16, 20 grid = [[0] * W for _ in range(H)] # 简札：两根长、两根短 for r in range(2, 14): grid[r][3] = 1 for r in range(4, 12): grid[r][7] = 1 for r in range(4, 12): grid[r][11] = 1 for r in range(2, 14): grid[r][16] = 1 # 编绳：两道横向贯穿线 for c in range(1, 19): grid[5][c] = 1 grid[10][c] = 1

这段代码里，range(2, 14)表示从第 2 行到第 13 行，共 12 行；range(4, 12)表示从第 4 行到第 11 行，共 8 行。所以最后检测出来简札长度应该分别是 12 和 8，刚好形成“一长一短”的区别。编绳放在第 5 行和第 10 行，对应“中有二编”。

你可以用一个简单的循环把它打印出来看看效果：

for row in grid: print("".join("█" if x == 1 else "·" for x in row))

打印结果大致是一个上下、左右对称的结构：中间两根短竖，两侧两根长竖，两道横线穿过所有竖线。虽然这是理想化图形，但它的结构特征已经非常接近“册”字的造字意图。

5.3 简札数量与编绳数量检测

点阵生成好之后，就要用算法自动统计结构特征。检测简札的思路是按列扫描：如果某一列里连续出现多个 1，说明这一列存在一条竖直笔画，连续长度超过阈值就记为一根简札。

检测编绳的思路是按行扫描：如果某一行里连续出现多个 1，说明这一行存在一条横向笔画，连续跨度超过阈值就记为一道编绳。

对应的检测函数如下：

def detect_vertical_bars(graph, min_len=3): rows = len(graph) cols = len(graph[0]) bars = [] for c in range(cols): length = 0 for r in range(rows): if graph[r][c] == 1: length += 1 else: if length >= min_len: bars.append((c, length)) length = 0 if length >= min_len: bars.append((c, length)) return bars def detect_horizontal_bands(graph, min_span=5): rows = len(graph) cols = len(graph[0]) bands = [] for r in range(rows): span = 0 for c in range(cols): if graph[r][c] == 1: span += 1 else: if span >= min_span: bands.append((r, span)) span = 0 if span >= min_span: bands.append((r, span)) return bands

min_len和min_span是阈值参数。真实图像中笔画可能断裂，阈值设得越小，越容易把噪声看成笔画；设得越大，越容易漏掉真实笔画。后续处理真实图片时，这两个参数需要反复调整。

6. 完整实战：从点阵到 PNG 再到检测结果

6.1 完整脚本

把生成点阵、渲染图片和结构检测三个步骤整合到一起，就得到一个完整的实战脚本。建议保存在同一个目录下，文件名叫ce_analysis.py。

# file: ce_analysis.py from PIL import Image # 1. 构造简化“册”字点阵 H, W = 16, 20 grid = [[0] * W for _ in range(H)] # 简札：两根长、两根短 for r in range(2, 14): grid[r][3] = 1 for r in range(4, 12): grid[r][7] = 1 for r in range(4, 12): grid[r][11] = 1 for r in range(2, 14): grid[r][16] = 1 # 编绳：两道横向贯穿线 for c in range(1, 19): grid[5][c] = 1 grid[10][c] = 1 # 2. 把点阵渲染成 PNG 图片 scale = 20 img = Image.new("L", (W * scale, H * scale), 255) pixels = img.load() for r in range(H): for c in range(W): if grid[r][c] == 1: for dr in range(scale): for dc in range(scale): pixels[c * scale + dc, r * scale + dr] = 0 img.save("ce_model.png") print("已生成图片 ce_model.png，尺寸：", img.size) # 3. 检测竖直简札 def detect_vertical_bars(graph, min_len=3): rows = len(graph) cols = len(graph[0]) bars = [] for c in range(cols): length = 0 for r in range(rows): if graph[r][c] == 1: length += 1 else: if length >= min_len: bars.append((c, length)) length = 0 if length >= min_len: bars.append((c, length)) return bars # 4. 检测横向编绳 def detect_horizontal_bands(graph, min_span=5): rows = len(graph) cols = len(graph[0]) bands = [] for r in range(rows): span = 0 for c in range(cols): if graph[r][c] == 1: span += 1 else: if span >= min_span: bands.append((r, span)) span = 0 if span >= min_span: bands.append((r, span)) return bands # 5. 输出结果 bars = detect_vertical_bars(grid) bands = detect_horizontal_bands(grid) print("检测到的竖直简札数量：", len(bars)) for col, length in bars: print(f" 列 {col}，长度 {length}") print("检测到的横向编绳数量：", len(bands)) for row, span in bands: print(f" 行 {row}，跨度 {span}")

6.2 运行与预期输出

在终端里执行下面的命令：

python ce_analysis.py

预期输出如下：

已生成图片 ce_model.png，尺寸： (400, 320) 检测到的竖直简札数量： 4 列 3，长度 12 列 7，长度 8 列 11，长度 8 列 16，长度 12 检测到的横向编绳数量： 2 行 5，跨度 18 行 10，跨度 18

图片尺寸 400×320 是因为点阵宽 20 列、高 16 行，放大 20 倍得到 20×20=400 和 16×20=320。如果你的输出出现类似结果，说明整条流程没有问题。

6.3 结果与文字学描述对照

把检测结果和《说文解字》的描述放在一起，会发现对应关系非常清楚：

这说明“册”字的造字意图，确实可以用“编连简札”来解释。回到标题的问题：甲骨文“册”字究竟是不是古代竹简的形状？答案是可以这么说。更严谨的说法是，它像“简册/简牍编连之形”，也就是把一根一根简札编起来的那个整体状态。

必须强调，这只是一个示意模型的验证，不构成对真实甲骨文“册”字全部字形的完整统计。真实字形中存在简札数量更多、编绳只有一道、笔画断裂或弯曲等变体，需要拿真实资料继续做统计分析。

7. 常见问题与排查思路

在实际运行或扩展本项目时，你可能会遇到下面几类问题，这里给出排查方向。

关于真实甲骨文拓片，还有一个容易踩的坑：拓片通常是白字黑底或黑字白底，没有统一标准。直接套用本文点阵逻辑前，必须先确定“哪部分是笔画、哪部分是背景”，必要时还要对图像做旋转校正和裁剪。

8. 最佳实践与工程建议

8.1 古文字数字化项目建议

如果你想把这类示例扩展到真实项目，建议在工程层面做好三件事。

第一，数据建模要规范化。可以设计一张“字形表”，字段包括字形编号、字形图片路径、所属字头、时期、出处、备注；再设计一张“字头表”，保存该字的楷书字形、读音、释义和异体关系。这样后续检索和统计都方便。

第二，要记录算法参数和处理版本。图像处理非常依赖参数，比如二值化阈值、形态学核大小、连通域面积阈值。同一个字，参数不同，结果可能完全不同。建议把处理脚本、参数配置和运行时间一起记录下来，保证结果可复现。

第三，遵守数据来源的使用协议。公开的甲骨文数据库和字形网站有自己的版权和使用条款，不要批量抓取受保护的接口，不要未注明出处就大段复制资料。规范的引用和授权是数字人文项目长期发展的基础。

8.2 图像分析的正确姿势

真实甲骨文图像不是干净的点阵，直接做列扫描很容易得到错误结果。比较稳妥的处理流程是：

首先做灰度化，把彩色拓片变成单通道图像。接着做去噪，用中值滤波或者高斯模糊去掉细碎噪声。然后做二值化，把图像变成 0 和 1 两个值。再之后做形态学闭运算，把断裂的笔画接起来。最后再做行列投影统计，效果会好很多。

如果字形存在倾斜，还需要先做旋转校正。旋转角度可以用最小外接矩形估算，也可以用霍夫变换检测长直线。这一步不是必须的，但对最终统计结果影响很大。

8.3 学术结论的边界

程序员容易犯的一个错，是看到代码输出了“4 根简札、2 道编绳”，就认为计算机证明了“册”字是竹简形状。实际上，计算机只是完成了“特征提取”，并没有完成“历史判断”。

“册”字为什么造得像简册，还需要结合商代书写制度、简牍实物发现、文献记载等多方面的证据。代码结果可以作为辅助材料，但不能替代专家判断。反过来看，文字研究者如果能掌握一点图像处理和数据分析技能，也能在字形排比和变体统计中节省大量时间。数字人文的价值，正在于让两种思维方式互相补充。

9. 总结与下一步探索

本文从“册”字是不是竹简形状这个问题出发，介绍了相关文字学背景，并用 Python 完成了一个简化的字形结构验证。你掌握的并不是一个复杂的识别模型，而是一条完整的研究思路：提出字形假说、把特征转化成数据、用算法做统计、再和文献描述对照。

下一步可以尝试三个方向。第一，去做“典”字分析。甲骨文“典”字像双手捧册或册放在几案上，可以继续用同样的点阵思路拆解。第二，把本文的检测函数换成 OpenCV 实现，结合形态学运算直接处理真实字形图片。第三，收集几十个“册”字的不同甲骨文字形，统计简札数量和编绳数量的分布，写一个小规模的量化分析报告。

这类小项目最大的价值，不是立刻得到学术结论，而是帮你建立从“字形直觉”到“数据验证”的完整感觉。下次再看到甲骨文图片时，你至少不会觉得它只是一堆神秘线条，而是能意识到，每个笔画背后都是一种可以被观察、被记录、被分析的古人的造字逻辑。