昆虫拉丁输入法的由来

我是一名杂食性的生物爱好者，偏爱植物和昆虫。进入大学后才开始真正的了解博物学，可以说，直到大学我才知道，世界上还有这样一门好玩的学科，以前的日子都被考试给占据了。自从打开了眼界，博物学的阳光就顺着这个缝隙照耀进来。师兄的帮助、老师的指引、同行们的共同进步，让我开始了解更多的物种。心想，终于上到大学了，总得学点东西吧，于是爱上了植物学，经过本科3年积累，已经有点基础了，于是想在离校时在学校里留点自己生活过的痕迹~

中国自然标本馆（www.cfh.ac.cn），一个伴随我开启植物之旅的网站，让我觉得，神器，必须好好利用起来，于是我打算建立福建农林大学校园植物图谱网站（CFH的网站联盟功能）。拉上好友郭世伟开始校园植物的拍摄和鉴定之旅，我以地点为主线对校园植物进行拍摄记录，郭世伟以花期为主线记录。最终在毕业前完成了一份自己比较满意的答卷——福建农林大学植物图谱网站（http://www.cfh.ac.cn/subsite/default.aspx?siteid=fafuplant）建立成功。共记录植物217科843属1465种（及种下单位）。

福建农林大学植物图谱网站网页

后来毕业了就没有再关注和更新了。建立这个图谱的目的在于：让身边的同学从身边的植物认起，这样更有针对性，能够学的更快。这让我收获一点小名气，媒体对这件事的报道：

1

缘起-昆虫拉丁输入法的想法

完成这份作品得益于植物爱好者圈的完善，常见的植物有人帮忙鉴定，不认识的植物可以通过检索表检索认识。CFH网站里完善的植物名录及图片信息，爱好者间互相鉴定等使得我的植物鉴定水平提升得很快，因为在巨人的肩膀上能够看到更远的土地。

本科期间我有打算整理校园昆虫，但是发现昆虫的资料实在太缺乏了，拍的很多昆虫基本无人鉴定，查找资料非常费时费力，于是慢慢对昆虫的热爱程度就下降了。但对于植保的学生来说，常见的百来种昆虫还是可以轻易拿下的。

有了建立校园植物图谱网站的经验，但是为什么昆虫版的却没有呢？我认为：昆虫资料太零碎，很多原始的材料都没有电子化。目前我国还没有摸清国内昆虫种类的家底。没有像《中国植物志》那样比较完整详细好用的数据库。昆虫种类实在太多了，基础研究人员太少了。我认为也许是最重要，也急需解决的问题：没有一份完整的中文名-拉丁名对应的数据库。

按照昆虫的目来收集，基本涉及所有的目了

2

初衷

在鉴定植物时，陈彬老师无私地分享加加输入法词库：输入植物中文名的首字母就能够直接出中文名和拉丁。这个技术让我感到：词库还可以这么玩啊，这不是可以非常快速地解决我查找拉丁名的时间吗？陈老师的词库配合CFH的使用，真是完美。我想，昆虫是不是也可以做成这种词库呢？仔细研究陈老师词库的结构（当时使用win7系统，所以加加输入法非常好用）：“中文名拼音首字母=中文名（拉丁名）”，结构很统一，可以用Excel直接完成，于是尝试了一些常用的昆虫拉丁名，效果很好。

结构很统一，Excel一键生成

本以为植物有了，昆虫的数据库应该也会有吧，但是搜遍全网，没有一份完整的数据库，基本都是东一块西一块，如果要用，非常的不方便。遂暗下决心，把全网的已知有中文名和拉丁名的名录收齐，势必统一混乱的局面。

按照分类阶元进行收集（id比较长的是CoL里有的，短或者没有的为补充的数据）

将属级以上单位单独拎出来以降低文件所占的空间

3

过程

整理过程中，发现如果单单整理中文名和拉丁名，好像没有什么重大的意义吧。于是按照分类地位来收集，从各大网站去扒数据，收集名录。最开始的时候是无头苍蝇式的乱收集，只要是名录就都下载下来，然后统一在一张Excel工作簿中处理。利用校园网在知网上下载各种昆虫名录，可以说，那段时间蜻蜓点水式地看了几千篇文献。但是感觉还是不得法，这样收集始终不是个头啊。

数据来源

经过很久的纠结后，研究生期间蹭到黄晓磊老师的实验室里交流学习。这里我遇到了一位高手：邓鋆老师。他每次给我的数据处理任务都非常考验我的能力，如在一堆数据中提取国家的信息，科属种的信息，地点的信息，对某一类数据进行正则表达等。经过了几个月的训练，我的数据分析能力变强了。有时回头看自己处理了半个月的材料，现在只需要两步不到5秒就可以快速准确地完成，这让我看到了Excel函数和VBA的强大。这期间用到的最多的函数是：Index和Match的组合，Iferror，Ctrl+G的定位功能，Ctrl+E的快速填充，还有Power Query的逆透视功能等。

经过邓老师指导，将Catalogue of Life 里的120万条数据用Navicatfor MySQL提取出，用于我整理工作的底板。CoL里记载了全球的昆虫拉丁名称，但是没有中文名，有了这个基础，整理起中国的名录不是非常容易了呢？但是现实是那么的残忍，并没有想象中那么容易。

4

艰辛

电子版的数据，就是那些已经发表的文献、爱好者们整理的部分名录等等，先统一记录到工作簿中，然后用index 和match进行匹配和添加数据。整理完电子化的数据后，就要着手整理纸质材料的数据，发现还有巨多的数据没有收录。如果我一个个人工校对，那要到什么时候呢，那时都天荒地老了。于是想着寻找快速录入的方法，在网络上寻找快速解决的方法，大神说有一种叫OCR的技术可以解决，于是我就开始了解这个技术。入手了一台扫描仪，以及目前最牛的OCR软件是ABBYY（网络上基本找不到盗版，那时俄罗斯有个网站有免费用一年的体验，于是就用上了，后来发现一年根本不够用，所以就花钱买了），这些费用是大神顾有容那时给我的资助，我用于这里也算合理啦。

ABBYY的OCR页面，天蓝色部分为可能有问题的地方

人工校对

识别的准确率和清晰度有关系，手不能抖，最终把厚厚的几本昆虫名录给扫描下来了。扫描速度要慢，每一页至少需要12秒才算合格。就这样扫描了几千页。自动识别过程中会出现大量识别错误，要想做到准确无误，需要对这些错误进行校对。

5

一次小事故

第一次OCR没有经验，识别完后直接导出，随后对着书本进行校对，因为不知道哪里出错，所以一个字一个字对过去，那时候真的非常痛苦，因为一页的数据，人工校对花了十几分钟，而我需要校对的数据是几千页。但是更加不幸的事情发生了，我已经校对了300多页，后来迫于毕业的压力，全心全意去完成毕业论文的写作，在删除冗余文件时，不小心把做了快8个月的OCR文件给删除了，而且是在一个星期后发现的（咦，这文件怎么还在，不是删除了吗？卧槽，删错了，没有备份，把词库删除了）。当时真的心灰意冷了，于是放弃的念头响起来了，经过3个月的调整，想了又想，决定再重新开始OCR吧。

6

重新上路

这次吸取上次的经验，每过一个月就保存一次，防止类似的不幸再次发生。而且经过了第一次的识别，第二次的速度明显快了很多，因为OCR完不直接导出识别结果，而是根据软件的提示进行校对，这样针对性更强，效果更好。但是第一轮校对中每一页也需要花费6~7分钟。导出后看到数据结构，然后利用宏功能，录制一些常用的宏代码，这样效率就得到了大幅度提升，把常见的问题直接解决后，就最后再人工校对一次。

快速将分行的数据并在一起

实现上述目的的宏代码

也就是说，每次OCR出来的数据，至少经过了5~7次的校对，但是在使用汪远老师整理的学名格式清理工具时，还是能够发现有些问题的。这就说明，整理数据真的太费力了。经过这么多次的校对，保证了大量数据的准确性，但是难免里面还有很多问题。

7

中文拉丁数据库1.0版本

研二时终于攒够钱买了台新电脑，发现win10中加加输入法无法正常使用了。幸好了解到可以用搜狗输入法自定义短语。在这个版本中，我的主观意识还是很强的，因为我只是收集手头上的资料，并非昆虫学家，所以在处理中文名和拉丁名时存在很大的主观性，为了让自己的主观性有根据可寻，我就给词库里的中文名和拉丁名制定了规则（因为不怎么了解昆虫命名法，所以大部分按照植物的国际命名法来确定规则的）。

比如拉丁名，我制定的规则如下：

规则1.属拉丁+种加词

Coccobius furvus(暗梗异角蚜小蜂)

规则2.属拉丁+（亚属拉丁）+种加词

Megachile(Megachile)chinensis(中国切叶蜂)

规则3.属拉丁+种加词+亚种加词

Euchorthippus pulvinatus gracilis(草原异爪蝗)

规则4.属拉丁+ （亚属拉丁）+种加词+亚种加词

Exocentrus(Oligopsis)alboguttatus taiwanensis(中国台湾白点勾天牛)

规则5.属拉丁+种加词+”f.”+型拉丁加词

Sericinus montelaf.emurensis(丝带凤蝶华北型)

之所以这样设定，其目的在于：能够尽量全的看到物种所处的分类地位。我看有些专著里亚种就直接属名+种加词+亚种加词，而没有加var. 等标记，所以我就统一都不加了。

当遇到属名和种加词阴阳格用法不一样时，趋向于选择阴阳一致的那个拉丁。最近在看多识百科时知道拼写异体这个东西，天呐，这部分我全部删除了，罪过。

比如：春鹿蛾Eressa confinis(E. confines)（拼写上的错误？）

沙棘木蠹蛾Holcocerus hippophaecolus(H.hippophaecola)（阴阳词性混用？因为植物名录里是不可以阴阳混用的，昆虫的我不清楚，所以如果有多个名称时，我偏向于选择阴阳词性对应的名称。）

加加输入法下的昆虫拉丁名输出

既然有了拉丁名的规则，那么中文名的规则也要定一下，要不然就很混乱了（这些名称都是文献里有出现的，然后经过我自己选择，而非自创的，所以有时候看上去规则2和规则3有点矛盾，因为有时规则3中未在文献中找到规则2的中文名，所以保持规则3的名称）。

规则1.属名信息优先

黑腹前结蚁（前结蚁属）（黑腹平结蚁）

规则2. 常用中文名优先，并将其的XX亚种作为异名

藏凹长翅卷蛾（柳凹长翅卷蛾西藏亚种）

规则3. 第一中文名+XX亚种

沼尺蛾喜马拉雅亚种

搜狗输入法下的昆虫拉丁输出

确定了规则后，对数据进行规范化处理，按照分类阶元进行收集，以CoL数据为底，最终收集中文名和拉丁名对应的数据有97,639条数据（其中物种名81,325种，属级单位以上及亚属名称共16,314条。至90年代末，除中国台湾和中国香港外，新种模式标本的收藏量已超过了11,000种，全国已记录的昆虫有6万余种（杨星科，2000）。申效诚等的《中国昆虫地理》里分析了823科17,018属93,661种昆虫。而本人在整理蚁科时，发现《中国昆虫地理》里有900多种，《中国蚂蚁》有300多种，而冉浩的中国蚁网里记载了1,300多种。根据这些数据，我估计中国的昆虫种类应该会达到15万种以上。

异名系统的使用

异名系统的逻辑结构

=IFERROR(IFERROR(INDEX('接受名，异名对照'!B:B,MATCH(A3,'接受名，异名对照'!B:B,0)),INDEX(接受名!A:A,MATCH(A3,接受名!A:A,0))),"没有收录")

异名系统的函数

8

愿望

这是1.0版本，是非常粗糙的一个版本，在使用过程中，难免会有很多问题，所以我的希望是专家学者们在使用过程中发现问题，然后反馈给我进行修改，因为数据越准确，其意义就会更大。

扫描这个小程序码，就能从百度网盘下载文件包，然后导入搜狗输入法试用。

既然有了数据库，那么后期当然是希望能够将其网络化，做成一个网页版，直接在线使用，而且能够实时更新。整合到其它昆虫网里也是可以的，因为我打算让这个数据共享。

在这个网站中可以实现发现错误直接上报，我后台发现后，查阅相应资料后修改，或者有对未命名的拉丁名进行命名的想法也可以直接提交。

知识就是用来共享的，我觉得这个数据有意义，不管道路多么困难，去做就行了。就像当初整理福建农林大学校园植物一样，只要行动，终究会有所收获。

本期编辑：陈卓

*******************************

想了解有关昆虫的一切？

欢迎关注微信公众平台：巍巍昆虫记

新浪微博：混世魔王张巍巍