第 3 章 文本处理技术¶
大纲定位：刘成明、石磊主编《多媒体技术及应用》（第三版，清华大学出版社，2021 年），对应江苏省课程代码 13511《多媒体技术与应用》江南大学编 2024 年大纲。本章按识记、领会要求组织，讲解和练习独立编写。
学习草稿 · OCR 尚未终校
教材整理稿尚未逐字终校。Unicode 的历史位宽、字符范围及扩展 ASCII 表述留待核对，本页不据此推算所有文本的字节数。Word 及输入软件属于旧版功能语境，未实测其界面、识别率或当前版本行为。
复习导航¶
| 大纲短考点 | 层次 | 讲解 | 自编练习 |
|---|---|---|---|
| 文本与西文编码 | 识记 | 第 1 节 | 1 |
| 汉字编码 | 识记 | 第 2 节 | 1 |
| Unicode 编码 | 识记 | 第 3 节 | 2 |
| 文本类型与存储类型 | 识记 | 第 4 节 | 3 |
| 文本输入方法 | 识记 | 第 5 节 | 4 |
| OCR 与扫描输入步骤 | 识记、领会 | 第 6 节 | 4 |
| 文本处理与格式文本技术 | 识记、领会 | 第 7 节 | 5 |
| Word 主要功能 | 识记 | 第 8 节 | 6 |
1 字符内容与编码表示¶
文本用文字和专用符号描述、保存与传递信息。计算机需要按约定的二进制编码表示字符，而不是把屏幕上的字形直接当成字符内容。一次文本处理可能同时涉及“是什么字符”“用什么编码表示”“如何显示”几个问题，讨论编码时应先明确正在处理哪一层。
教材以 ASCII 介绍西文编码。基本 ASCII 使用 7 位，可以区分 128 个编码位置，其中包括英文字母、数字符号、标点等。这里的位数决定能够区分多少种取值；数字字符也是一个字符，不能因它看起来像数值，就把其字符编码与它所表示的数值直接等同。
自编辨析：一份通知中的字母与数字都需要编码后保存；把同一行文字改成另一种字体，是改变显示属性，并没有因此改变文字内容。相反，换成另一个字母，即使字体未变，内容也发生了变化。文字属性与内容的这种差别也会影响文件类型和排版的判断。
2 汉字输入、交换与内部表示¶
汉字数量多，需要为字符建立相应的编码。教材围绕国标码、机内码和输入码说明处理过程。GB 2312—1980 字符集使用区和位定位字符，区位码描述字符在表中的位置；国标码则是教材所述的信息交换编码。区号与位号要分别处理，不能把一串十进制数字直接看作一个整体十六进制数。
教材所述转换先把区、位分别转换为相应数值，再分别加上偏移得到国标码；其机内码模型又把两个字节的最高位置为一，用来与所述 ASCII 表示区分。这个模型服务于教材中的编码体系，不能据此断言各种系统的汉字内部表示始终相同。大纲在此要求识记编码方案，不要求扩展为所有编码标准的比较。
输入码解决“怎样通过键盘选择汉字”。拼音按读音，五笔等方法按字形组织输入；教材还概括顺序码、音码、形码、音形码。输入动作不同，不表示在同一编码环境下选中同一汉字后，存储结果也一定不同。输入方法负责选择，内部编码负责表示，应按两种职责理解。
3 统一编码所解决的交流需求¶
Unicode 在教材中被称为统一字符编码标准，其目的在于为不同语言中的字符提供统一的标识，支持跨语言、跨平台的文本处理与转换。复习重点是它针对多文字交流的需求，而不是把它等同于某种输入法、某个字体或某个编辑软件。
输入法帮助用户选中字符，字体提供显示的字形，统一编码则关心字符如何获得共同的身份。多语言通知中出现不同文字，不能仅靠给文档安装一种艺术字体来说明字符编码问题已经解决。字体能否显示与字符标识的讨论有关联，但二者所负责的问题不同。
教材的 Unicode 历史版本介绍属于当时的知识背景；其中位宽和范围表述不作为本页的容量计算条件。若一个任务要求精确计算文件大小，必须另有明确、可核实的编码条件，不能从“采用 Unicode”就自行假定每个字符都占相同字节数。本章练习只考其统一编码的目的和概念角色。
4 三种文本组织与常见文件用途¶
无格式文本以文字内容为主，通常保存为 .txt。编辑器可以用某种字体显示它，但这种显示选择不等于文件保存了完整的文字排版属性。格式文本除内容外，还保存字体、字号、颜色、段落及版面等信息，适合需要控制输出外观的文档。
超文本按内容联系组织文本块，通过超链接形成非线性阅读路线；包含图片、声音、视频、动画等媒体时，可联系超媒体。格式文本与超文本观察的重点不同：一个重在保留外观信息，一个重在关联与导航，不能只看文字有没有颜色来判断。
按教材所列文件用途，.rtf 用于带格式文字交换，.doc/.docx、.wps 联系相应文字处理文档，.ppt 联系演示文档，.pdf 联系便携式文档；.htm/.html 联系静态网页，.asp 与 .aspx 联系动态网页，.js 联系脚本，.css 联系网页样式。它们不都属于同一种内容结构。表中还列有图像格式 .tiff，它可存扫描页图，却不能仅凭包含文字图案就当作已经识别好的可编辑文本。
5 让不同来源成为文本¶
键盘输入通过按键及中文输入法获得文字，适合直接录入与修改。手写输入需要获取书写动作并经过识别，可以借助手写板、手写笔或相应输入界面。会手写而不熟悉键盘的人，仍可借助这种途径输入，但应检查识别结果。
语音输入先采集声音，再由识别软件转换为文字。声音被录下来不等于文字已经产生。教材中的使用流程还包括麦克风调试、语音适应训练和错误修改，这些是所举软件语境下的流程说明，不能由此保证任意说话内容都能正确识别。
扫描输入先获取印刷页面的图像，再通过 OCR 提取文字。选择途径要看原资料是什么：待撰写的短通知可直接键入，纸质印刷档案可考虑扫描识别，口述内容可考虑语音识别。输入方法解决素材进入系统的路径，结果仍需检查；不能把省去手工敲字理解为省去校对。硬件职责可联系第 2 章。
6 OCR 扫描输入的三个环节¶
OCR 是光学字符识别。它识别扫描图像中的文字，并把结果转成文本文件。纸面信息、扫描页图和识别文字是处理链中的不同对象：页图可供人查看，文本则能继续按字符编辑。只完成扫描，尚未完成教材所说的 OCR 文本输入。
第一个环节是扫描，把印刷页面转换成图像。教材给出偏向识别任务的扫描设置与 TIFF 保存流程，其作用是获得适合后续识别的图像；本页不把旧版设置当作所有设备的唯一参数。第二个环节是纠偏和翻转，对倾斜或倒置的页面作相应处理，让待识别内容方向合适。
第三个环节是选取文字区域并识别，再保存文本。软件可能标记可疑文字并供人工修改，但没有标记不等于结果已经正确。自编档案任务若在识别后发现姓名或段落顺序错误，应回看对应页图，检查区域、方向和字符结果，而不是只把文本排得整齐。纠偏针对图像方向，文字校对针对识别内容，二者不能互相替代。
7 格式文本处理的三个层次¶
文本信息处理根据使用目的，对内容、形式和风格进行编辑设计。格式文本中的文字内容是主体，属性与版面信息负责呈现方式。先明确文档是供阅读、打印还是电子发行，再安排格式；内容有误时，增加效果不能代替内容修改。
版面格式设置包括页边距、页眉页脚、排列方向和纸张等条件，它们影响整页如何容纳内容。文字属性包括字体、字号、风格、颜色和对齐方式。加粗、斜体、下画线等在字体和字号基础上改变表现；磅值增大表示字变大。左对齐、右对齐、居中、两端对齐与分散对齐则是不同的排列选择，应结合使用要求判断。
非文本内容排版处理图片、表格、公式、文本框等对象与文字的位置关系。页边距过小、标题难以辨认、表格位置不当，分别需要版面、文字属性和对象排版层面的调整。一个合适的字号不能自动解决所有问题。正式文档还要符合对应的格式要求，不能把教材中的字体搭配举例当作一切场景的固定规则。
8 按编辑任务识别 Word 功能¶
教材以 Word 介绍文字处理软件。内容编辑包括插入、修改、删除、复制等操作，用于改变文字内容；图文混排把图片、艺术字等对象与文本组合；表格功能用于建立、调整表格，并支持所述数据处理。分类时先说操作对象和结果，比只列软件名称更能说明功能。
排版功能设置字符、段落和页面外观，包括字体、字号、颜色、纸张大小、页边距、页眉页脚等。公式编辑、格式转换和打印预览等被教材归入其他功能。打印预览用于观察预期输出，不能代替核对文档中的姓名、符号或识别错误。
自编通知制作流程可以先改正文字，再整理表格、放置示意图片，随后设置页面和标题外观，最后预览输出。这个任务顺序用于理解功能之间的配合，不是对旧版菜单操作的复现。教材展示 Word 2019 界面，本页未实测该版本，也不把某个界面位置写成跨版本都成立的操作指令。
自编练习¶
1. 编辑员分别用拼音与字形输入法录入同一个地名，接着把标题改为黑体。他声称“输入方式和字体各改变了一次字符内部编码”。请从输入码、内部表示和文字属性三个角度解释。
考点：第 1、2 节；层次：识记。
答案与解析
参考答案： 输入码决定怎样选中字符；在同一编码环境下，选中同一地名不能仅因输入法不同就推定内部表示不同。改黑体属于改变显示属性，地名的文字内容没有随之改变，也不能据字体变化判断字符编码已被更换。
2. 一个团队要处理含多种语言的通知，成员提出“改用一种输入法就等于使用 Unicode，安装字体就能代替统一编码”。请指出三种工具或机制分别解决的问题。
考点：第 3 节；层次：识记。
答案与解析
参考答案： 输入法帮助选取与输入字符，字体提供显示字形，Unicode 面向不同语言字符的统一标识。三者职责有别，改用输入法或安装字库不能作为已经采用统一编码的证明，更不能据此确定每个字符占用的字节数。
3. 项目要保留未排版的采访文字、带字体与表格的报告，以及能按主题跳转的介绍页。分别联系三种文本类型；另有一张扫描页保存为 TIFF，它为何不能直接算作采访文字文件？
考点：第 4 节；层次：识记。
答案与解析
参考答案： 未排版文字联系无格式文本，保留外观的报告联系格式文本，主题链接联系超文本。TIFF 保存的是页面图像，虽然人能看见其中的文字，但若未完成识别，就还不是能直接按字符编辑的采访文本。
4. 社团收到一份倒置且略倾斜的印刷名单，还要补入负责人的口述说明。按材料来源选择输入途径，并说明名单经扫描后还需哪些环节。
考点：第 5、6 节；层次：识记、领会。
答案与解析
参考答案： 名单可用扫描加 OCR，口述说明可用语音识别后校对。名单扫描成图像后，应纠偏和翻转，再选文字区域识别、保存并检查结果。图像方向修正有助于识别，却不能保证姓名完全正确，仍须对照原资料校验。
5. 一份活动报告存在三个问题：正文紧贴纸边、标题不显眼、图片遮住表格。请分别定位到格式处理层次，说明为什么只调整标题字号不能解决全部问题。
考点：第 7 节；层次：识记、领会。
答案与解析
参考答案： 贴边应检查页边距等版面设置，标题应检查字体字号等文字属性，图片与表格的关系应检查非文本内容排版。三者处理对象不同，标题字号只改变相应文字的表现，不能自动恢复整页边界或安排对象位置。
6. 制作实验通知时，成员要改错字、插图、建立分工表、设置页脚并检查打印外观。请分别说出 Word 对应的功能；哪些步骤不能代替文字校对？
考点：第 8 节；层次：识记。
答案与解析
参考答案： 改字属于内容编辑，插图属于图文混排，分工表联系表格功能，页脚联系排版，观察打印外观联系打印预览。插图、表格和预览都不自动证明文字正确，错字仍需要在内容编辑与校对环节发现并修改。