阿拉伯语数字印刷困境解析：从活字印刷到 Unicode 的演变

背景

阿拉伯语在计算机中的表示问题自诞生之初便存在。本文旨在探讨这一系列问题的根源及已提出的解决方案。要理解阿拉伯语在数字世界中为何如此棘手，首先需要回顾其书写系统的历史演变及其与早期印刷技术之间的冲突。

阿拉伯语诞生于一千五百年前，最初通过岩石铭文和笔墨表达。其中，笔墨成为了事实上的主要表达媒介，阿拉伯语书写形式也在此媒介中发展成熟。为了尽可能精确地记录《古兰经》，阿拉伯语书写发展出了许多技术性细节，例如延长音、同化音、停顿点以及继续诵读的标记等。

核心内容

从石印到活字印刷的挑战

随着印刷时代的到来，石印术（Lithography）曾一度很好地适应了阿拉伯语。石印技术基于将整个页面制作成一块大印章的原理，然后将其印在任意数量的纸张上。然而，随着“活字印刷”（Movable Type）技术的普及，情况发生了变化。

活字印刷并非将整页视为一个印章，而是由成百上千个微小的“印章”组成，每行排列，每个印章代表一个字母或阅读符号。之所以称为“活字”，是因为每个印章可以移动并重复使用，无需为每一页制作唯一的印章。

拉丁语系文字非常适合这种印刷方式，阿拉伯语活字也是按字母逐个开发的。然而，阿拉伯语并非按单个字母书写，而是按“字母块”书写。例如，单词 المعروف 并非由五个独立的字母组成，而是由四个字母块组成：

1. 第一个块：ا
2. 第二个块：لمعر（包含特殊的连字，如 lām 在 mīm 之上，mīm 呈现为右侧的钩状）
3. 第三个块：و
4. 第四个块：ف

早期印刷商（如 Brill Publishers，约 1890 年）虽然尝试适应连字（例如将 mīm 和 ḥa 的常规连字作为一个印章），但这种按字母逐个处理的方法极其缺乏灵活性。此外，字母间的开放空间导致阅读体验不均，有时难以区分单词的边界。虽然现代印刷品已解决了字母间距问题，但缺乏灵活性这一缺陷在 20 世纪不仅未改善，反而因出版社减少使用连字而加剧。

计算机时代的数字困境

上述活字印刷的缺陷被直接转移到了阿拉伯语的数字表示中。一种看待该问题持续存在的方式是：印刷机和计算机等核心技术是在以拉丁语系为主导的社会中开发的，因此它们将拉丁语的使用案例视为理所当然。世界其他地区拥有复杂多样的书写系统，不得不屈从于这些规则。尽管阿拉伯语是世界第六大语言，但根本解决这些问题缺乏足够的经济动力。

事实上，数字环境进一步加剧了这一问题：

1. 连字断裂：计算机沿用了活字印刷将文本分割为单个字母的逻辑，导致阿拉伯语连写形式难以正确呈现。

   • 案例：有人将英文谚语 “what doesn’t kill you makes you stronger” 翻译成阿拉伯语并打印出来用于纹身。正确的写法应为连写的 ما لا يقتلك يجعلك أقوى，但在计算机处理下，所有字母被单独表示，且字体极其简陋，导致纹身效果灾难性失败。

2. 书写方向错误：计算机难以处理从右向左（RTL）的书写习惯，导致输入时字母顺序完全颠倒。

   • 案例：巴尔的摩-华盛顿机场（Baltimore-Washington Airport）的标识牌上曾出现字母顺序颠倒的错误。

3. 编码与搜索失效：计算机在编码阿拉伯语时存在严重缺陷。编码意味着屏幕上的可见表示对应一串计算机可存储的 0 和 1，且该字符串必须稳定，以便在不同地方复用并保持一致。

   • 复制粘贴错误：选中单词 hādhihi 并粘贴到搜索框中，得到的字符序列完全不同。
   • 搜索失败：在 PDF 阅读器中搜索 كشف，即使文档中第三个词完全相同，也无法找到匹配项。
   • 高亮显示破坏字形：搜索 سن 时，虽然能搜到 sinn、sunna、ḥasan、isnād 等词，但 PDF 阅读器在搜索结果中高亮显示时，会加粗搜索字符串。这破坏了字母间的连接，导致显示 awkward（别扭/不连贯）。

Unicode 标准的局限

为解决上述问题，业界提出了 Unicode 标准。Unicode 类似于活字印刷在印刷术中的地位，它是一个所有公司同意使用的表格，为每种语言的每个字符分配唯一的数字。这意味着数字文本文件是一系列数字，每台计算机都可以将其渲染为可读字符。

Unicode 的核心思想是将“抽象字符”与“实际字形”分离。例如，中、日、韩（CJK）字符已实现统一，只有在设计为中文的字体中显示时，文本才呈现为中文样式。

然而，Unicode 对阿拉伯语的处理并未遵循这一灵活原则，反而引入了更多问题：

1. 过度细分字符：Unicode 将阿拉伯字母单独编码，而非区分基础字形（rasm）与变音符号或元音标记。

   • 案例：Ta marbūṭa 被视为独立字母，而非带两个点的 ha。搜索 كثيره 和 كثيرة 通常会得到不同结果，尽管它们在语义上应被视为相同。
   • 案例：元音和其他上下标符号的处理也导致类似问题。例如，أ (alif+hamza, U+0623) 与 أ (alif + 高 hamza, U+0627 + U+054) 在视觉上完全相同，但因编码不同，计算机通常无法将其识别为同一字符。

2. 缺乏 CJK 式的统一：Unicode 未实施类似 CJK 的统一理念。例如，Kāf 在阿拉伯语和波斯语中应被视为同一字母，但 Unicode 却将其分为：

   • “阿拉伯语 Kāf”：U+0643
   • “波斯语 Kāf”：U+06A9（尽管后者仍被称为“阿拉伯语”变体）

关键要点

• 历史根源：阿拉伯语书写系统为精确记录《古兰经》而发展出复杂的连字和标记机制，这与基于拉丁语系开发的活字印刷技术存在先天冲突。
• 技术惯性：印刷技术和计算机技术均基于拉丁语系社会开发，导致阿拉伯语等复杂书写系统被迫适应不适合其特性的规则（如按字母而非字母块处理）。
• 数字困境具体表现：
  • 字形断裂：连字无法正确连接，导致文本可读性差（如纹身案例）。
  • 方向错误：从右向左（RTL）书写支持不佳，导致字母顺序颠倒。
  • 编码不稳定：相同的视觉字符可能对应不同的 Unicode 编码序列，导致复制粘贴错误、搜索失败及高亮显示破坏字形连接。
• Unicode 的局限性：
  • 虽然 Unicode 实现了字符与字形的分离，但在阿拉伯语处理上过于细分。
  • 将变音符号、元音标记及不同语言变体（如阿拉伯语与波斯语的 Kāf）编码为独立字符，导致语义相同的文本在计算机眼中被视为不同。
  • 缺乏类似 CJK 字符的统一处理机制，降低了文本处理的灵活性和准确性。

意义与影响

我们生活在一个必须为“正确的阿拉伯语”而斗争的世界。印刷术引入了基于活字的缺陷，而计算机和 Unicode 标准则引入了更多问题。这不仅影响了文本的视觉呈现（如连字断裂、方向错误），更严重影响了数据的完整性、搜索效率和跨平台兼容性。

这一困境揭示了早期数字标准制定过程中的文化偏见和技术局限。尽管 Unicode