11 个数据源详解
本库汇总 11 个公开 / 学术古文字数据源，按 Unicode 码点统一索引。所有数据归原始数据库所有，本站为研究目的的二次组织视图。形态覆盖：真实拓片（SAIS / KAOM / Chronicles）· 字典字形（殷契文渊 / 说文 / HUST-OBC / 汉典 SVG）· 字形演变（EVOBC）· OCR 标签（HUST OCR · 现代 TTF 渲染）· 音韵地位（古音小镜：上中古拟音 + 韵部）· 释义（汉语大词典）。
① SAIS 比赛训练集 真实拓片 · CC-BY
第四届世界科学智能大赛（复旦大学 + 上海智能院主办）2026 古文字识别比赛官方训练数据。从青铜器拓片切分出的单字 crop，含 train/val 切分。
形态：真实拓片 crop（含 SANDAI/JICHENG/MINGTU 拓片来源代号） · 用途：OCR 训练 + 验证
② KAOM 金文字形库 真拓片 · 学术开放
大陆建设的金文真拓片数据库 kaom.net，每字配多张实物拓片，含器物名 + 时代标签。
抓取方式：HTTP 爬取（需切换 IP / BD 代理）· caption：含 X 父鼎 + 西周早期等
③ 殷契文渊 甲骨字形 字典图
安阳师范学院主导的甲骨文字形库 jgw.aynu.edu.cn，本库取自其 mobile API 渲染的字典字形。含出处（合 / 京人）。
形态：ttf 字体渲染 · caption：含合 43、合 18017 等
④ EVOBC 演变数据集 学术开源 · figshare
华中科大 + 上海交大联合发布的字形演变数据集（arXiv 2401.12467），覆盖甲骨→金文→篆→秦汉→隶等 6 个历史阶段。按字 ID 组织。
本地：~/2026_01_image/data/external/evobc · 映射：Chinese_to_ID.json
⑤ Chronicles 金文 bbox crop 单字 crop
Chronicles-OCR Bronze 数据集（jinwen-viz 主站亦用），原数据为整行拓片 + 字符级 bbox + 释文。本源由整行图自动按 bbox 切单字 crop。
处理：src/crop_chronicles.py 自动 bbox 切割 · 原数据：400 整行金文拓片 / 4267 字符 bbox
⑥ 说文解字 小篆 字典图 · 5 路并发爬
东汉许慎《说文解字》在线版 shuowen.org，每字头有篆书 SVG/PNG 字形。本库 5 台主机并发爬取 13,000 字头。
抓取：src/download_shuowen.py · 反爬：无反爬，0.3 s/请求
⑦ HUST-OBC 甲骨字编 5 源汇编 · figshare
华中科技大学发布的甲骨综合数据集（GitHub Pengjie-W/HUST-OBC），含 X/L/G/Y/H 5 源（新編甲骨/六位编码/国学大师/殷契文渊/HWOBC），按 Unicode 字头组织。
本地：~/2026_01_image/data/external/hust_obc/HUST-OBC · 映射：ID_to_chinese.json
⑧ HUST OCR 标签字形 TTF 渲染 · 非古文字
HUST-OBC 配套的 OCR_Dataset，88,899 张 PNG，由 HUST 用现代 TrueType 字体把整个 Unicode CJK 全集（含 BMP + 扩展 A-G + 兼容区）批量渲染，作为 OCR 模型的"标签字形"。⚠ 不是甲骨/金文真迹，仅作罕用字字典查询或训练标签使用。
Unicode 分布：BMP 20,976 / 扩 A 6,582 / 扩 B 42,711 (48%) / 扩 C-G 17,608 / 兼容区 1,014 · 性质：楷体 TTF 渲染，非拓片
⑨ QXK 北师大金文 数字李代 · BNU
北师大「数字李代」金文库（qxk.bnu.edu.cn）。本地 3,061 encoding / 30,180 glyph / 39,669 图 / 1.6 GB。按 UTF-8 字头去重后 2,300 字 / 36,666 图。
对比赛 SAIS 的覆盖：交集 1,269 字头（SAIS 字头的 50.2%），共补 30,218 张图；其中弱训字 (train≤4) 覆盖 590/1600 = 36.9%，补 4,785 张图（平均每弱训字 +8.1 张）。每条 glyph 带断代（西周早/中/晚 / 商 / 春秋 / 战国）+ 器物出处 + 字编书源（《新金文编》董莲池 2011 等）。
抓取：~/qxk-jinwen + Node downloader（含 AES-128-ECB 加密接口签名）· 3 机分片：本机/aliyun/tencent shard 0-2 各 1/3 字头并发抓
⑩ 汉典 8 类字源 SVG SVG 矢量 · 中转小学堂
汉典 zdic.net 中转中研院小学堂 fontcode 数据，含 8 类古文字 SVG（金文/甲骨/小篆/楚秦简帛/传抄/隶书）。矢量任意缩放。
抓取：src/download_zdic_glyphs.py · 子分类：金 / 甲 / 篆 / 楚 / 秦 / 抄 / 隶 各独立色
⑩ 古音小镜 音韵地位 上中古拟音 · 学术开放
从 kaom.net / ny_word.php（古音小镜）按字扒，每字一张表覆盖 上古音 · 两汉六朝 · 中古音三段时间轴 + 各家学者拟音（高本汉/王力/鄭張尚芳/白一平/李方桂/潘悟雲/許思萊/斯塔羅斯金 等 25+ 家）+ 韵部。
抓取：src/download_kaom_ny_word.py（BD datacenter rotating IP，每 worker 复用 session）· 解析：src/parse_kaom_ny_word.py（支持 rowspan 跨行继承）
⑪ 汉语大词典 释义 现代释读 · 字典级
经 kaom.net / book_hanyudacidian.php 中转扒《汉语大词典》第二版。每字含多音项 / 现代音 / 反切 / 释义，以及大量古典例句（《诗经》《左传》《史记》直至清代笔记）+ 包含该字的词条（如"系"含【上系】【世系】【直系】等）。
抓取：src/download_kaom_hyd.py（BD 32 workers · 复用 ny_word 套路）· 解析：src/parse_kaom_hyd.py（容忍站点 HTML 不规范的 td 闭合）
声明 / 引用
本站为研究目的的二次组织视图，所有图像数据归原始数据库所有：KAOM (kaom.net) · 殷契文渊 (jgw.aynu.edu.cn) · 中研院小学堂 (xiaoxue.iis.sinica.edu.tw, 经汉典 zdic.net 中转) · EVOBC (figshare 26100689) · HUST-OBC + OCR (figshare 25040543) · 说文解字 (shuowen.org)。
学术引用请同时引用原数据集论文：EVOBC (arXiv 2401.12467) · HUST-OBC (HUSTPaper)。SAIS 数据请遵循 第四届世界科学智能大赛官方使用条款。
数据采集脚本与方法见 codex_kaom (私有仓库) · 视图聚合时间：2026-06-03 · 数据源 9 个（已下架：PictOBI / 故宫古文字数字平台）