【填坑】關於 LaTeX 的中文處理（長文慎入）

看板LaTeX (論文排版)作者ChenMeng0518 (Ch'enMeng)時間10年前 (2014/03/27 01:14)推噓13(13推 0噓 0→)

留言13則, 13人參與討論串1/2 (看更多)

首先要對板上的同好們說一聲抱歉。上次回答完問題之後﹐就消失了很長時間。一方面是課業繁重﹔一方面是 TeX Live 2014 就要出來了﹐手頭幾個宏包急著更新（希望能隨 TeX Live 2014 發布）﹔一方面是手頭在修一本書﹐關於 GRE 考試的填空教程﹐工程比較浩大﹐不過好在今天完成了它手稿的的四分之三﹔另外是最近自己身體欠佳﹐去了幾次醫院。雖然有諸多理由﹐不過還是要對大家說一聲抱歉。真的沒想到一拖就拖了這麼久。今天來詳細說一說關於 TeX 處理中文字的一些事情﹐會比較長﹐希望大家做好心理準備。下文中﹐一些術語的說法可能和台灣方面不大一樣﹐盡我所能總結如下﹕ macro 宏巨集 package 宏包巨集套件 file 文件檔案如果文章中有看不懂的術語﹐歡迎大家回復補充。 ## 關於 TeX 系統的一點基礎知識板上同好們水平較高﹐所以分不清發行版、宏包、格式、引擎這些概念的應該是少數﹐不過這篇文章之後也會在大陸的知乎網上發布﹐為了統一﹐所以一並講了吧。 TeX 家族是一個很龐大的概念﹐雖然 TeX 程序自己很小﹐龐大的原因﹐主要是後來人們不斷地對它的功能進行擴展導致的。 TeX 家族最開始的概念是引擎。Knuth 老爹開發出的 TeX 是用 WEB 語言寫的﹐這是一個文學編程的語言﹐需要用 Pascal 來編譯──不過現在的 Pascal 編譯器也是不能編譯它的﹐版本不匹配──比較的繁瑣﹐效率也不夠高。於是有人開發出了 WEB2C 這個小工具來將 WEB 語言的代碼轉成 C 語言﹐這樣能提高不少效率。眾所周知﹐TeX 最開始是 Knuth 老爹為了自己的 TAOCP （不知道的請上網爬文）的排版而創作的﹐所以當 Knuth 老爹自己對 TeX 滿意之後﹐就不樂意修改它了。然而盡管 TeX 是 Knuth 老爹和其他人（他的學生）一起做出來的東西﹐Knuth 老爹卻堅持隻有自己才能修改名為 TeX 的東西。所以當 TeX 流傳開來之後﹐大家發現 TeX 功能上有不如人意的地方的時候﹐隻能自己在 TeX 的基礎上做一些增強版。比如﹐著名的 e-TeX, 還有大家熟悉的 pdfTeX, XeTeX, LuaTeX 等。不是所有的擴展版都包含了 T, E, X 這三個字母﹐比如以前有一個引擎叫做 Omega, 它支持 16 種文字順序方向﹐ 十分神奇。每一個 TeX 引擎都有一套自己的原語﹐不過所有的增強版引擎﹐幾乎都兼容原始的 TeX 的原語──語法一致﹐但功能可能變強大了。這些增強版﹐包括最原始的 TeX 在內﹐都被稱為**引擎**。引擎是承擔最終排版工作的可執行程序。讓我們回到最開始的 TeX 上面來。眾所周知﹐TeX 是一個引擎﹐同時也是一種宏編程語言的名字。Knuth 老爹的原始版 TeX 一共有三百多個最原始的宏﹐我們把它們叫做 TeX 原語（TeX primitive）。其他所有的宏都是通過他們構建出來的﹐所以從理論上說﹐隻要掌握了這三百多個原語﹐就能讓 TeX 幫我們解決一切問題了。不過最原始的東西往往是強大的﹐但同時是不方便使用的。為了方便使用﹐我們就要在這些原語的基礎上為常用的功能編寫宏。有一些宏非常常用﹐所以如果每次都載入這些宏會繁瑣且緩慢。所以 Knuth 老爹允許人們將常用的宏編譯成為格式（format, 擴展名為 fmt）。Knuth 老爹自己設計了一個格式﹐稱為 plain TeX, 加上原語﹐他一共有 900 多個命令。因為它太基礎﹐用得非常頻繁﹐所以大多數時候人們講到 TeX 語言的時候﹐指的是 plain TeX 構成的那些指令集合﹐而不是 TeX primitives. TeX 是面向排版的﹐所以許多命令晦澀難懂──通常寫文章的作者不需要知道這些細節﹐ 於是﹐剛剛獲得圖靈獎的 Leslie Lamport 博士在 plain TeX 的基礎上又編寫了一些宏﹐並編譯為格式﹐取名為 LaTeX. La 就是他姓氏的頭兩個字母﹐仿照中國古代的叫法這就是所謂的萊氏 TeX. 所以你看﹐不管是中國人還是外國人﹐都想著光宗耀祖呢。 LaTeX 優秀之處在於﹐它將內容與格式分開﹐使得作者不需要﹐或者隻需要知道很少的排版細節就能排出漂亮的文章。除掉 plain TeX 和 LaTeX, 常見的格式可能就隻有 ConTeXt 了。在格式的基礎上﹐人們發現實現某一些特定的功能的時候﹐使用的宏命令總是一樣的。所以如果把它們打包起來﹐就會變得很方便。所以出現了宏包（package）這個東西。宏包總是和格式對應﹐LaTeX 格式的宏包往往不能用於使用 plain TeX 格式書寫的文章之中。LaTeX 中最常用的幾個宏包可能是﹕amsmath, geometry, hyperref, xcolor, graphicx, booktabs 等。除掉這些東西﹐人們還開發了一些輔助工具。比如﹐名為 BibTeX 的工具﹐就是用來生成參考文獻的﹔名為 makeindex 的工具﹐就是用來生成索引的。另外對於引擎、格式、宏包、工具﹐用戶要使用它必須有一份說明文檔來指引進步。所有這些東西﹐零零總總﹐ 加起來有成千上萬個文件﹐如果讓用戶去一一下載安裝﹐一則不方便﹐二則不方便控制版本。所以就有人/組織/公司將他們全部打包在一起。比較著名的發行版有 Windows 系統下的 MikTeX, 跨平台的 TeX Live, 為中文做過優化的 CTeX （大陸吳凌雲研究員）﹐cwTeX （台灣吳聰敏教授）等。至於 TeXworks, WinEdt, TeXstudio, TeXmaker 這些東西﹐隻是編輯代碼的工具﹐ 和 TeX 系統並沒有直接的關系。總的來說﹐引擎承擔排版工作﹐對應一套原語﹔格式對應一套書寫規則﹔宏包對應一定的功能﹔發行版則是所有東西的大雜燴。如果用汽車來做比喻﹐那麼發行版是整個汽車﹐ 引擎是發動機和傳動系統﹐格式是方向盤、剎車、離合器這些控制系統﹐宏包則是音響、車窗之類的各種功能的小物件。 ## 說說字體所謂排版﹐就是要把每一個東西擺在合適的區域﹐然後在這個區域上畫出特定的形狀。理解了這個概念﹐我們就知道﹐不管是排版文字﹐還是排版圖形﹐所做的工作都是一樣的﹐差別隻在於最終畫什麼。對於 TeX 來說﹐畫出什麼樣的形狀其實是不重要的﹐畢竟這個形狀是給我們人類看的。所以 TeX 完全可以隻關注什麼區域放什麼﹐至於這些東西長什麼樣﹐完全可以交給閱讀器去處理。因此﹐我們可以很容易地想到﹐一個字體應該可以分成兩個部分﹕描述尺寸的和描述形狀的。前一個部分我們稱之為 metrics, 後一個部分我們稱之為 glyph. 對於 METAFONT 生成的字體﹐確實就是有這兩個部分的﹐前一個部分擴展名是 tfm, 後一個部分的擴展名是 pk. 不過並不是所有的字體格式都將兩個部分分開﹐比如 OpenType 字體﹐字符的尺寸信息和形狀信息全都保存在一個文件裡面。在 TeX 原語中﹐調用字體的命令是 \font. 這個命令是後續各種字體調用命令的基礎﹐ 包括 xeCJK 的 \setCJKmainfont 等命令﹐都是在它的基礎上建立起來的。 Knuth 老爹的 TeX 系統﹐限於當時的情況﹐隻支持自家的 METAFONT 生成的 tfm 文件。什麼意思呢﹖(Knuth) TeX 的原語 \font 隻認識 tfm 文件﹐別的什麼 ttf, otf 統統不認識。這無疑是不方便的﹐畢竟現代優秀的字體大都是 ttf 或者 otf 格式。於是 XeTeX 應運而生﹐它的原語 \font 認識 ttf, otf 這些格式﹐所以能夠在讀取安裝在系統上的這些格式的字體──隻要想辦法讓它能夠找到就行了。另一個支持 ttf, otf 字體的引擎是 LuaTeX, 不過繼承自 pdfTeX 的 LuaTeX, 它的 \font 命令也不能直接讀取 ttf, otf 格式的字體文件﹐需要使用名為 callback 的庫來間接調用。這也就是為什麼使用 LuaTeX 處理字體會比 XeTeX 慢的緣故了﹐雖然 LuaTeX 相較 XeTeX 有不少優勢﹐但是讀取字體這一塊﹐確實是比不上。說完了單個字符﹐我們再來說說字符在字體裡邊的情況。可以想象﹐字符在字體文件裡邊是按照某種順序排列在一起的。那麼﹐假設你就是 TeX, 你想要獲得 A 這個字符﹐你怎麼找到它在字體文件裡的位置呢﹖沒錯﹐A 的 ASCII 編碼是 65, 如果字體文件是按照 ASCII 編碼的順序排列的﹐我們隻需要找到第 66 個（從 0 開始）字符就可以了。遺憾的是﹐事情並沒有這麼簡單。一則編碼有許多種﹐字體裡不一定要使用某一種特定的編碼﹔二則東亞文字有許許多多﹐各地區使用的編碼也不盡相同﹐必須協調好各部分之間的關系。於是 LaTeX 規定了名為 NFSS （新字體選擇機制）的方案﹐字體屬性分成五個方面﹕ 編碼（encoding）﹐比如 TeX text, TeX extended text; 字族（family）﹐比如 Roman, Typewriter; 字重（series）﹐比如 bold, narrow, medium; 字形（shape）﹐比如 Italic, Small Caps; 字號（size）﹐比如 10pt, 11pt. 明確了這些﹐你才能精確地說明白你到底需要哪一個字形﹐如何才能找到特定的字符。這些東西你可能不熟悉﹐但是如果你用過一段時間的 LaTeX, 幾乎能說你肯定見過。LaTeX 的關於溢出盒子的警告一般是這樣寫的﹕ Overfull \hbox (3.80855pt too wide) in paragraph at lines 314--318 []\OT1/cmr/m/n/10 Normally [] and [] will be iden-ti-cal, 其中的 \OT1/cmr/m/n/10 就表示這些內容。其中 OT1 是 encoding 部分﹐代表 TeX text 這種編碼﹔cmr 是 family 部分﹐代表 Computer Modern Roman 這個字族﹔ m 是 series 部分﹐代表 medium; n 是 shape 部分﹐代表 normal; 10 是 size 部分﹐默認單位是 pt. 關於這部分內容﹐太繁瑣﹐如果想要詳細了解他們﹐可以閱讀﹕ texdoc fntguide texdoc fontenc 好了﹐現在假設你的 TeX 已經能夠讀到相應的字符數據了﹐也通過特定的算法將字符擺放在相應的區域了。現在要做的事情﹐是讓閱讀器知道某個字符長什麼樣。對於原始的 TeX, 它讀取 tfm 文件﹐然後將字體信息寫入 dvi, 讓 dvi 閱讀器檢索 tfm 文件對應的 pk 文件﹐然後把字形取出﹐畫在 dvi 的特定位置。對於 dvips 這個驅動來說﹐他發現 dvi 文件裡提到需要 cmr 這個字體﹐於是就去到 config.ps 裡面找到一個 map 文件﹐記載著 cmr10 字體對應著 cmr10.pfb （Type1 字體的字形部分）, 於是就找到這個文件備用。對於 pdfTeX 和 LuaTeX 來說﹐他們能夠直接生成 PDF 文件﹐並定義了特別的原語﹐用來映射字體文件。比如 \pdfmapline{cmr10 CMR10 <cmr10.pfb} 表示﹐遇到 cmr10.tfm 這個字體尺寸文件之後﹐就將 cmr10.pfb 插入到 PDF 文件之中。 XeTeX 的情況﹐我不大清楚。至此﹐我們已經知道 TeX 怎麼找到特定的字體尺寸文件﹐以及閱讀器如何找到對應的字體形狀文件了。LaTeX 的 NFSS 機制特別細致﹐所以顯得有些繁瑣。所以對用戶來說並不推薦使用﹐但如果要使用新的字體﹐還是得好好讀讀相關的文檔。好在為 XeTeX 和 LuaTeX 設計的 fontspec 宏包出現了﹐這可是懶人的福音。xeCJK 和 LuaTeX-ja 分別對它的兩個版本做了一些擴展。 ## 中文的處理最開始的 TeX 是 7 位的﹐隻能處理 128 個 ASCII 字符﹔後來 Knuth 老爹將它擴展到了 8 位﹐可以處理 ISO8859-1 字符。這樣處理拉丁字符遊刃有余﹐但處理東亞文字就傻眼了。 TeX 默認一個字體文件最多隻有 256 個字符﹐但是動輒上千上萬的中文字體怎麼辦呢﹖有問題﹐找 Knuth 老爹。老爹說﹐這簡單﹐既然我隻認識 256 個字符﹐你就把成千上萬個字符分割成若幹塊﹐每一塊都隻有 256 個字符就好了。回頭隻要為不同的字符指定不同的塊就能解決問題了。這些塊有一個名字﹐叫子字體。好吧﹐前輩們為這個吃盡了苦頭。我們來看一段 LaTeX 代碼﹕ \documentclass{article} \usepackage{CJK} \begin{document} \begin{CJK*}{GBK}{song} 您好 \clearpage \end{CJK*} \end{document} 這幾乎是使用 CJK 方式支持中文的最簡單的代碼了﹐用過 CJK 的同好應該都不難理解。其中 GBK 是大陸這邊使用的編碼（Big5 不熟悉呀﹐抱歉）﹐song 是宋體（台灣似乎叫做明體﹖）。我們來看看 TeX 會對它做什麼。之前說到﹐需要為不同的字符指定不同的子字體。這個工作由 CJK(*) 環境來完成。比如說﹐CJK(*) 環境將漢字您轉成了﹕ \C19/song/m/n/10/51 s 是不是有點熟悉﹖這裡 C19 是編碼﹐代表 GBK; song 是字族名字﹔m 是字族﹔n 是字形﹔10 是字號﹐51 指的是子字體的編號。這句話翻譯過來就是﹕ 您 = GBK 編碼﹐song 的字體﹐中等粗細﹐直立﹐10pt 字﹐51 號子字體中的 s 咦﹖s 是什麼﹖唔……這個子字體中的 s 這個字符﹐長得就是漢字“您”這個樣子﹗ 結合之前提到的內容﹐你應該已經清楚 CJK 是如何工作的了。唔﹐至於某個字如何對應到子字體中的字符﹐這個問題比較復雜﹐總之知道有一個一一對應的關系就好了。這樣的做法是可行的﹐但無疑是蹩腳的。不說那個惱人的“許蓋功”問題﹐單是排錯時候就夠你喝一壺。想想看﹐如果漢字您後面出錯了﹐LaTeX 給出的錯誤應該類似﹕ ! <ERROR NAME> l.5 \C19/song/m/n/10/51 s ? 這種錯誤提示完全不可讀﹐因為你不可能知道 \C19/song/m/n/10/51 s 到底是哪一個字。也就無法定位出錯的位置﹐更別說排錯了。 ## xeCJK 和 luatexja-fontspec 曙光是 XeTeX 和 LuaTeX 帶來的﹐它們支持 UTF-8 編碼﹐許蓋功問題就無影蹤了﹔它們能夠使用 ttf 和 otf 字體﹐切割子字體、轉換成奇怪的命令這些事情也就不存在了。下面分別是使用 xeCJK + XeLaTeX 和 luatexja-fontspec + LuaLaTeX 的兩個小例子。 \documentclass{article} \usepackage{xeCJK} \setCJKmainfont{SimSun} % 中易宋體 \newCJKfontfamily[hei]\heiti{SimHei} % 中易黑體 \begin{document} 大家好﹐這裡是中易宋體。 {\bfseries 這裡是中易宋體的粗體字}。 \heiti 可以很容易地切換到中易黑體。 \end{document} \documentclass{article} \usepackage{luatexja-fontspec} \setmainjfont{SimSun} % 中易宋體 \newjfontfamily[hei]\heiti{SimHei} % 中易黑體 \begin{document} 大家好﹐這裡是中易宋體。編譯可能會卡在下面這個地方很久﹕ \begin{verbatim} luaotfload | db : Scanning TEXMF and OS fonts... \end{verbatim} 這是在刷新字庫﹐如果是在 Windows 系統下編譯﹐耗時可能會特別長﹐ 你可以去泡杯茶。 \heiti 切換到中易黑體一樣容易。 \end{document} 二者的用法其實相似﹐都是保存為 UTF-8 編碼﹐使用 XeLaTeX 或者 LuaLaTeX 編譯即可﹔語法上有一點差異﹐xeCJK 在 fontspec 的基礎上﹐傾向於在命令中將 CJK 三個字母添加在前面﹐而 luatexja-fontspec 在 fontspec 的基礎上﹐傾向於將 j 添加在後面。 luatexja-fontspec 沒有對應的 \newmonojfamily 命令﹐因為流行的日文字體基本都是等寬的。 luatexja-fontspec 中﹐\newmainjfont 修改的是 \mcfamily, \mewsansjfont 修改的是 \gtfamily, 這與 xeCJK 直接修改 \rmfamily 和 \sffamily 不同。這是因為﹐日系的 pTeX 系列引擎﹐將中文和英文完全分開處理﹐是兩套機制﹔LuaTeX-ja 項目的目的﹐是在 LuaTeX 引擎上實現 pTeX 的功能﹐所以也沿用了這個特性。這樣做有好處也有壞處﹐不過好處在 LaTeX 用戶身上基本體現不出來﹐ 不說也罷﹔壞處就是讓人稍稍有點不適應。二者的說明文檔分別可以通過下面的命令來調取﹕ texdoc xeCJK texdoc luatexja-en 前者是簡體中文文檔﹐後者是英文文檔。填在字體調用中的字體名﹐可以使用 fc-list 命令來查看──小心﹐列表可能會很長。 ## 標點壓縮和禁則對於東亞文字排版來說﹐逃不開的一個話題是標點壓縮和禁則的處理。首先簡單介紹一下他們分別是什麼東西。以中文為例。中文的標點符號多種多樣﹐情形也有很大差別。我們來看引號和句號的組合。 “一句話的引用”。 “一段話的引用。” 第一種情況﹐引用一句話﹐句號放在引號的外邊﹔第二種情況﹐引用一段話﹐句號放在引號的裡邊。在第一種情況﹐句號和引號之間的空隙太大﹐不好看﹐需要縮小這個空隙﹕將句號左邊的間隔減小﹐將引號右邊的間隔減小。在第二種情況﹐引號和句號必須留有一定的空隙但也必須縮小一定的距離﹐且這個縮小的距離應該比第一種情況要短一些。再有例子。一句話。另一句話一句話﹐另一句話。| 第二種情況的 | 表示到了行尾。對比兩個情況下的句號﹐顯然第二種情況下﹐句號右邊的空隙應該適當縮小﹐而第一種情況應該保留（作為斷句）。這兩個都是標點壓縮的例子。簡單來說﹐標點壓縮就是處理標點符號在不同情況下兩端間距的問題。禁則就更容易理解了。比如﹕句號不能出現在行首﹐冒號引號連用不能出現在行尾。這些關於標點符號位置的擺放﹐就是禁則。這些情況在日語裡也是存在的。比如日語的拗音﹐縮小的假名就不能出現在行首﹐這也是禁則。 CJK 方式對標點禁則的處理﹐額﹐咱們就不說它了。以前使用 CJK 方式做標點處理﹐都是使用 CJKpunct 這個輔助宏包來做的。它的作者是張林波（CCT 的作者）和孫文昌（xeCJK 的作者）。 xeCJK 和 LuaTeX-ja 的標點和禁則處理就要優秀得多了。不過他倆還略有差別。xeCJK 的思路﹐是先讓標點佔滿一個全角的位置﹐然後添加負距離“擠壓”﹔LuaTeX-ja 的思路（實際上是 pTeX 系的思路）是先讓標點佔據最小的位置（在 metrics 文件裡做）﹐然後“撐開”一定的距離。二者其實沒有優劣之分。 ## 中文版式解決方案──ctex 宏包/文檔類中文能夠輸出了﹐你就滿足了嗎﹖其實距離 LaTeX 中文化的終點還有距離。比如﹕ 1. 段首縮進兩個字符﹐怎麼實現﹖ 2. 符合中文習慣的字號調整﹐如何處理（五號字﹐小五號字）﹖ 3. 圖表目錄的標題﹐怎麼改成中文的﹖ 這些問題﹐在板上同好的使用過程中﹐肯定已經有一些解決方案了。不過﹐一來想必是零碎的﹐ 二來﹐恐怕並不足夠好。舉例說段首縮進兩個字符的問題。這句話展開來講﹐應該是﹕第一行的第一個字的左側﹐與第二行第三個字的左側切齊。所以真實情況下﹐首行縮進的長度﹐應該是兩個漢字的寬度﹐加上兩倍的漢字之間的間距。諸如此類的一些細節﹐在 ctex 宏包/文檔類中已經處理好了﹐歡迎使用。一個最簡的例子﹕ \documentclass[UTF8, nofonts]{ctexart} \setCJKmainfont{SimSun} \setCJKsansfont{KaiTi} \setCJKmonofont{FangSong} \begin{document} 這裡是中文。將文件保存為 UTF-8 編碼﹐使用 XeLaTeX 編譯。 \end{document} 如果使用的是簡體中文的 Windows 系統﹐例子還能更簡單﹕ \documentclass[UTF8]{ctexart} \begin{document} 這裡是中文。將文件保存為 UTF-8 編碼﹐使用 XeLaTeX 編譯。 \end{document} 幾乎與 LaTeX 標準文檔類沒有使用上的差別。 ## 跋跋就不寫了﹐九千多個字大家估計已經看疲勞了。好困…… 去睡覺了。 MC 2014-3-27 -- 來自萌氣四溢的 M 君~ -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 183.216.61.143 ※ 文章網址: http://www.ptt.cc/bbs/LaTeX/M.1395854055.A.65F.html