sxzz.dev / hanji
[READ-ONLY] Mirror of https://github.com/sxzz/hanji. 一字之間，照見五地字形 hanji.sxzz.moe
chinese-characters cjk han hanja hanji hanzi kanji
Star
Fork 0
Watch
TypeScript 69%
Vue 27%
CSS 4%
Shell <1%
JavaScript <1%
<1%
48 4 0
.codex
.github
app
data
docs
public
scripts
shared
.gitignore
.node-version
.prettierignore
AGENTS.md
codex-setup.sh
eslint.config.js
LICENSE
nuxt.config.ts
package.json
pnpm-lock.yaml
pnpm-workspace.yaml
PRODUCT.md
README.md
tsconfig.json
uno.config.ts
README.md

汉智 · hanji #

中国大陆、香港、台湾、日本、韩国五地常用汉字的字表。同一个字，各地写出来常常不一样——这里把五地写法并排列出，默认按界面语言对应地区的字频排序，也可按笔画或码点排序，并按差异模式筛选。韩国没有字频数据，韩国列默认关闭，可在显示选项中启用。

字形只是其中一个维度。收录范围是五地常用字表的并集，写法完全相同的字同样收录：这是一份五地汉字的资料表，不是一份差异清单。

下面是概要，逐条的完整说明在站内的「关于」页。

名字的由来 #

「Hanji」跟汉字在各地的叫法各差一个字母：汉语拼音的 hanzi 差一个 z，日语的 kanji 差一个 k，韩语的 hanja 差一个 a——同一件东西，每个地方都改掉一点点。它同时也是闽南语「漢字」的实际读音 hàn-jī，所以并非生造词，而是又一地的读法。中文名「汉智」取其音。

收录范围 #

收录《通用规范汉字表》（2013）、臺灣《常用國字標準字體表》（1982）、香港《常用字字形表》、日本《常用漢字表》（2010）、韩国《漢文教育用基礎漢字》（2000）五份字表的并集。韩国字表含 1,800 个常用汉字。把简繁、日本新旧字体和韩式异体这类跨码点的对应合并成一行后，共 8,449 行——其中 1,695 行五地写法完全一致，129 行五地各不相同。

台湾《次常用國字表》只为已有行提供二级收录状态和候选，不参与生成新行；其 6,343 个主条目中有 3,599 个独有条目明确在产品范围之外。

字组与数据语义 #

一行表示一个字组，五列分别是大陆、香港、台湾、日本和韩国的展示形。跨码点候选主要来自 OpenCC，韩式异体采用 Unicode IRG 收录提案所列对应，并由地区字表约束：

  • 某地字表把两个字分开收录时保留两个字组，例如 着/著、欠/缺；
  • OpenCC 明确自包含的同字关系或五列完全相同的名称可以合并；至少有两个地区佐证的映射可作为确定的地区对应；
  • 只有一个地区提供证据、而候选还属于另一字组时保守拆分，并在详情页显示双向“关系未确认”，例如 鎗/槍。

五列确定后才选择行名；已有中港台日证据时仍按原四地规则选择，以免新增的韩国列改变既有网址。主条目和括注收录都足以保住字组自身名称。日本旧字体也必须来自明确的 JPShinjitaiCharacters 关系，不能由行名与日本列不同反推。

每个地区格都有 primary（主条目）、glossed（括注异体）或 unlisted（未收录、显示参考形）状态。alternatives 只保存该地区收录且明确属于当前字组的其他形式；aka 只表示字组的其他名称；未确认关系只用于“另见”，不会进入搜索、网址别名、字典引用或字体集合。完整定义、构建保证和限制见 数据规则与已知限制。

字形差异是怎么判定的 #

Source Han Sans 与 Source Han Serif 各自的五个地区共享同一个字形池，每个地区有一份「码点 → CID」映射，Adobe 以纯文本形式公开在仓库里。同一个池子里 CID 相同就是同一个字形，所以比对五份映射就能判断五地把一个字写成了几种样子——不需要比对轮廓，也不需要渲染截图。

判定取两种字体的并集：只要黑体或宋体之中有任意一方认为两地同形，就算同形。因为 Source Han Sans 给日本单独画了约五分之一常用字的字形，其中两百来个宋体并没有跟着分（了、人、子、水、金都在其中）——只有一种字体作出的区分是那套字体的设计取舍，不是地区规范的差异。完整取舍见 数据规则与已知限制。

scripts/tests/fonts.test.ts 会用 fontkit 打开生成的子集字体、取出真实轮廓，验证判定结果与字体真正画出来的形状逐字一致，并确认被判为同形的格子确实画出同一条轮廓。

局限 #

  • 判定的对象是 Source Han 的地区字形设计，不是各地标准本身。它是个高质量的代理——Adobe 的地区字形分别依据大陆《印刷通用汉字字形表》、台湾教育部《國字標準字體》、香港教育局《常用字字形表》、日本 JIS X 0208/0213、韩国 KS X 1001/1002。
  • Source Han 的香港字形覆盖并不完整，「只有香港不同」这一类可能少报。
  • 笔画数逐地区取：先看 Unihan 的 kAlternateTotalStrokes，日本再退到 kRSAdobe_Japan1_6（它分析的是 Adobe-Japan1-6 收的日本字形，所以 突 是 8 画而不是 9 画），都没有才用 kTotalStrokes。后者只区分简繁两档，港台日韩通常共用繁体值；例如 那 的五列笔画数是 6/6/6/7/6。
  • 韩语读音取 Unihan 推荐的 kHangul，保留全部现代韩文单字音；它不根据词语语境替用户选择读音，也不另行推导头音法则。
  • 未收录格显示的是传承参考形，不表示该地区实际采用或规范收录该形；“关系未确认”同样表示现有公开来源不足以裁决。

完整的数据规则与构建保证见 docs/known-issues.md。

声明 #

这里的数据不是权威数据。汉字的收录、字形、笔画、读音，各地标准之间本来就有分歧，也不存在一份能让所有人满意的数据。

为了不让这里变成一个需要长期人工维护的字表，本项目尽量贴着已有的公共数据走——Unicode Unihan、各地文化教育主管部门发布的规范字表、Adobe 与 Google 公开的字体资源——原样取用。判定规则都写在上面，没有个人取舍，也不代表任何立场。

正式场合请以原始规范与词典为准；每个字的详情页都列了该地区自己的字典，可以逐条对照。汉字数量巨大，出错难免，发现数据有误请提 issue。

开发 #

pnpm install
pnpm build:data   # 生成字表与字体子集，首次会下载约 215MB 原始数据，之后走缓存
pnpm update:sources # 检查并锁定新版第三方数据；有变化时下载并重新生成
pnpm dev
pnpm test
pnpm generate     # 静态站点

每一行的地址是它的行名（/char/着）。五地展示形、aka 和 alternatives 也可作为地址，由客户端跳到所属的行——例如 /char/国、/char/郞、/char/缐，页面用 rel=canonical 指回行名地址；未确认关系不是地址别名。

字表 public/data/chars.json 提交在仓库里，也是站点的开放数据地址 /data/chars.json。字体子集约 12MB，不提交，由 pnpm build:data 生成——所以构建前必须先跑一次。原始下载缓存在 data/raw/ 下按类别存放（charlist/、opencc/、cmap/、font/、unihan/、frequency/），已 gitignore。

部署 #

静态站点，.output/public 直接丢给任意静态托管即可。线上部署由 GitHub Actions 构建后直传 Cloudflare Pages：

  • main 的 push 部署到 production；
  • 指向 main 的 PR 部署到 pr-<编号> preview，GitHub 会在 PR 中显示对应的 deployment 与访问地址，后续提交沿用同一个分支预览地址。

仓库需要配置三个 Actions secrets：

  • CLOUDFLARE_API_TOKEN：具有 Account / Cloudflare Pages / Edit 权限的 API token；
  • CLOUDFLARE_ACCOUNT_ID：Pages 项目所在的 Cloudflare account ID；
  • CLOUDFLARE_PROJECT_NAME：Cloudflare Pages 项目名。

Cloudflare Pages 的 production branch 设为 main。在项目的 Settings → Builds → Branch control 中关闭 Enable automatic production branch deployments，并将 Preview branch 设为 None；Cloudflare 只托管 Actions 上传的成品，不再自行构建。

全部 8,449 个字组详情页都会生成独立 HTML；页面数据在本地 bundle 中，因此关闭了每路由额外生成 _payload.json 的 payload extraction。地区异体别名也不另外生成跳转页，而是通过 public/_redirects 回到应用后由客户端跳转。同一条回退规则也让应用显示未知字符的 404；public/_headers 给带内容哈希的 _nuxt/* 设了长缓存。

第三方资产的具体 commit、官方附件标识与 SHA-256 记录在 data/sources.lock.json；需要升级时运行 pnpm update:sources。它会解析有版本上游的版本号，并重新校验没有版本号的官方直链；内容有变化时更新 lockfile 并直接重新生成数据，完全未变则跳过生成。构建时 pnpm build:data 会按 lockfile 下载并校验约 215 MB 原始数据（其中 195 MB 是十份 Noto CJK 字体）；任何未显式更新的直链内容变化都会因校验和不符而失败，不会静默进入数据。Actions 分开缓存原始下载与生成字体：前者只由 lockfile 决定，后者由 lockfile、实际生成脚本、相关依赖、locale 与字表决定；字体输入完全不变时跳过数据生成。

本地也可构建后直传：

pnpm build:data && pnpm generate
pnpm wrangler pages deploy .output/public --project-name="$CLOUDFLARE_PROJECT_NAME"

数据来源 #

用途 来源 许可
判定五地字形差异 Adobe Source Han Sans / Serif（CMap 资源） SIL OFL 1.1
页面展示用字体 Noto Sans / Noto Serif（含 CJK） SIL OFL 1.1
简繁、港台异体、日本新旧字体对应 OpenCC 开放中文转换 Apache-2.0
日本字形笔顺动画 KanjiVG CC BY-SA 3.0
五地标准字表 zispace/hanzi-chars 仓库未声明
笔画数、读音 Unicode Han Database (Unihan) Unicode License v3
韩式异体对应 Unicode IRG N2200（韩国教育用汉字提案） Unicode License v3
大陆字频排名 hanziDB.csv（Jun Da《现代汉语单字频率列表》） MIT
香港字频排名 粵典「語料庫單字使用頻率」 Public Domain
台湾字频排名 国家教育研究院《民國112年語料字頻表》 网站资料开放宣告（须注明出处）
日本字频排名 scriptin/kanji-frequency（Japanese Wikipedia） CC BY 4.0

原始规范出处：《通用规范汉字表》（2013）、臺灣《常用國字標準字體表》（1982）、香港《常用字字形表》、日本《常用漢字表》（2010）与《学年別漢字配当表》（2017）、韩国《漢文教育用基礎漢字》（2000）。

逐字对照工具 tofu.tools 是本项目的先行者，同样用 Noto 系列区分地区字形。

字体为 Noto Sans CJK 与 Noto Serif CJK（SIL OFL 1.1）按本站用字子集化后的产物，声明随附于 /fonts/OFL.txt。生成的数据文件派生自上述来源，请遵守各自许可；逐项转换方式与署名也写入公开的 /data/NOTICE.md。

License #

MIT © Kevin Deng