析 疑

为什么用两字词在库里搜不到，比如搜「兰亭」结果为0？

库中全文检索表 passage_fts 使用 trigram 分词，按连续三字建索引。因此三字以上的词可以直接 MATCH，如「桃花源」能命中三条；两字词如「兰亭」不入 trigram 索引，直接 MATCH 会返回 0。这不是库里没有「兰亭」，而是检索方式不对。两字检索应改用 LIKE，例如在 passage.text 上执行 like '%兰亭%'；或者在 FTS 上先补一个字再搜，如兰亭序会稽兰。这一限制来自 SQLite 的 trigram 分词器设计，不是数据缺失。实际操作建议：三字以上用 FTS，两字用 LIKE，单字用 LIKE 并配合部、门过滤。另需注意底本用「．」作句读，FTS 索引里标点也占位，但 trigram 只按字符切，标点不参与匹配，所以不必先把「．」换成「。」再搜。两字检索还有一个替代办法：用 SQL 的 LIKE 配合部、门过滤，如先按 section_group 找到「兰」相关门，再在门内 LIKE 搜「兰亭」。这样既避开 trigram 的两字限制，又不会被全库噪声淹没。三字以上仍建议用 FTS，速度快且能排序。trigram 的两字限制还影响人名检索：两字人名如「陆机」「沈约」不能直接 MATCH，需用 LIKE 或加一字。三字以上的人名、书名、门名则可用 FTS。检索前先判断关键词长度，再选工具，能省很多无效查询。检索工具的选择，本质上是对数据形态的尊重；用错工具，不是数据坏了，而是方法不对。工具选对，检索才有意义；工具选错，先别怀疑数据。

第一次用这个库，最该先看哪几张表？按什么顺序查？

建议按骨架—段落—专题三层查。第一层看骨架：division 四十六行给出部序与卷范围，volume 一百行给出每卷的部序列与段数，section_group 七百余行给出门名、首末卷、门次数，section 给出每门在卷内的起止行。先读这三张，能迅速建立卷几属哪部、哪部有哪些门的地图。第二层看段落：passage 是原子表，字段有 vol_no、line、style、style_kind、text，按卷或门过滤即可取原文；entry 与 passage 一一对应，便于按 lead 检索。第三层看专题：citation 查引书，literary_piece 查撰人与篇题，editorial_note 查校记与异文，crossref 查事具某门，time_mention 查纪年，volume_note 查卷级校记。典型查法：先按门名找 section_group，拿到 group_id，再连 section 与 passage 取文；若查某书引用，直接按 book_title 过滤 citation，再回 passage 取上下文。切记 volume.division 只是卷首部名，卷内可能换部，跨部卷应以 divisions 字段为准。查引书时还有一条捷径：citation 表带 div_id，可先按部过滤，再看该部引了哪些书。例如查礼部引了哪些礼书，直接按 div_id 与 book_title 分组即可，不必逐段翻。查撰人同理，literary_piece 带 style 与 author，可先按文体过滤。

既然段是原子，为什么有些段落里能读出好几条互不相干的引书？

因为底本按行切段，而原书的条目边界在这类地方已经模糊。卷第四元正门有一条长段，从「孔丛子曰．邯郸民以正月旦献爵于赵王」起，中接「东观汉记曰．戴凭为侍中」，再接「汉书曰．鲍宣字子都」，三条各自完整却挤在一行；卷第五十八砚门也有类似情形，一段里可能先叙砚铭、再叙东宫制度。全库含两个以上X曰结构的段落有二千五百八十六段，占近两成。数据层坚持段为原子，是因为段能精确落到行号，可回底本核对；若强行在段内再切，就要重新判定条目边界，而底本本身没有给出边界标记，切错的风险高于不切。代价是 citation 只记段首书名，段内后续书名不入表，引书总量被低估。这一缺口已在报告中标明：citation 八千七百余条是段首口径，不是全书引书总数；需要段内全量引书时，应按X曰再扫一遍 passage.text，并接受边界判断带来的误差。段内多引的缺口还有一个补救办法：在报告里给出段内疑似多引的段落清单，读者可据此人工复核，而不必全库重扫。清单按段内X曰个数排序，多引越多的段越靠前，复核效率最高。段内多引的清单还可用来评估底本质量：多引段越集中，说明该卷的条目边界越模糊；若某几卷多引段特别多，那几卷的底本来源可能与其他卷不同。这与卷级校记的「宋本缺」标记可以互相印证。多引段清单若与卷级校记交叉，能看出底本拼合的痕迹：明本补入的卷，多引段往往更多。多引段与校记交叉，是判断底本拼合的一条旁证，值得在版本研究里单独列出。