按：本文可以供 R 初学者用来练习字符串的合并、分割、查找、替换……
前不久写了一篇闲谈《千字文》里重复用字的帖子。碧云飘鹤的博主马光留言说，还有一部类似的《中华字经》，并提供了一个转载的链接。这部字经初读来真是膜拜万分，想不到二十一世纪的中国还有这样的神作。后来，无聊的我点到了《中华字经》的官方网站，发现上面是这么介绍的：
《中华字经》是世界上最奇妙的汉字学习课本。……全文4000汉字没有一个字是重复使用的。
这个是国际网站，有繁体字版，还有英文介绍：
The book does not repeat any characters…… “Chinese Character Canon” is a poem composed of 4,000 characters…..
听听，用了 any 这个词，读起来多痛快。在网上一搜，“无一字重复”这几个字铺天盖地。比如有一篇说：“谁能相信！谁能做到！写篇4000字的文章，竟无一字重复，简直不可思议！”人民日报也说：中华字经共收录无重复汉字4000个。其他网站多是人云亦云的转载和添油加醋的吹捧。
我顿时感觉不妙。字经既然涵盖了天文地理历史文化等知识，那么想必作者和推广者深谙国学，应该懂得物极必反、过犹不及的道理吧？干嘛把话说那么死呢？在“世界上最奇妙的汉字学习课本”后面加上个“之一”不算过谦吧？为啥不用汉字“四千”或者科学记数法“4.00 x 10 ^ 3”，而非要用“4000”这种精确到个位的表达呢？难道你们不知道世界上有一种东西，唤作“理科生”吗？
果然，有理科生看不下去了。益辉同学挺身而出，写了一篇有趣的文章，用寥寥几行 R 代码对字经进行了分析，并且严肃指出，字经里其实有 44 个字是重复出现的。他还指出：字经有句意不通、文字拼凑之嫌，并且对这种识字方法持怀疑态度。
作为益辉的铁杆粉丝，我完全赞同他的观点。但是我想说一句：
益辉啊，你分析的那个中华字经，好像是盗版的，因为里边有错别字耶。
不过，论点的光辉不会被论据材料的错误所掩盖。下面我对益辉的观点作些补充和延伸，来说说这重复的 44 个字是怎么回事。
先纠正 5 个字
我用的 R 代码，凡是用等号“=”来赋值的，都是从益辉那里抄来的；用箭头“<-”赋值的，是我新添的。
con = url("http://pastebin.com/raw.php?i=ZaQiHU1m", encoding = "UTF-8")
x = readLines(con, warn = FALSE)
close(con)
# 去掉奇数行的注音，去掉空格，去掉标点，合并。
x = x[seq(2, length(x), 2)]
x = gsub("\\s+", "", x)
x = gsub("，|。", "", x)
x <- paste(x, collapse = "")
# 拆成单字x1，数数一共多少字
x1 <- unlist(strsplit(x, ""))
length(x1)
## [1] 3984
果然少了 16 个字！益辉说了，因为作者调皮地把四个小标题“第一部分”“第二部分”“第三部分”“第四部分”也算进去了。那么，小标题里这些字有没有包含在正文里呢？
# 拆成四字一组x4
x4 <- substring(x, seq(1, nchar(x), by = 4), seq(4, nchar(x), by = 4))
for (i in c("一", "二", "三", "四", "第", "部", "分")) print(paste(i, grep(i,
x4, value = TRUE), sep = ":"))
## [1] "一:一理万方"
## [1] "二:炎黄二帝"
## [1] "三:西三红水"
## [1] "四:四季芬芳"
## [1] "第:"
## [1] "部:部属僚员"
## [1] "分:形分上下"
可见，除了“第”字外（为啥？别急，见下文），他们还出现在了正文里，所以小标题不算在内。这样，实际字数是 3984 个字。这 3984 个字有没有重复呢？
# 作频数表，看哪些字的频数大于1。
x.tab = table(x1)
(x.dup <- names(x.tab[x.tab > 1]))
## [1] "阿" "膀" "藏" "长" "朝" "传" "弹" "弟" "调" "哥" "核" "解" "灸" "乐"
## [15] "陆" "率" "漫" "糜" "朴" "圈" "日" "塞" "享" "行" "畜" "腋" "已" "勇"
length(x.dup)
## [1] 28
的确有 28 个重复字！算上小标题那 16 个字，总共 44 个字重复！
益辉的分析到此为止，他没有指出重复字出现在哪里。我接过接力棒继续做下去。
for (i in x.dup) print(paste(i, grep(i, x4, value = TRUE)))
## [1] "阿 阿弥陀佛" "阿 好娃阿丹"
## [1] "膀 鸠鹏张膀" "膀 膀胱菌沾"
## [1] "藏 秋收冬藏" "藏 大臣驻藏"
## [1] "长 春生夏长" "长 长城伟墙"
## [1] "朝 朝觐跪拜" "朝 谆诲朝夕"
## [1] "传 先知注传" "传 克隆遗传"
## [1] "弹 舒额弹腮" "弹 洲际导弹"
## [1] "弟 兄弟姐妹" "弟 府弟别墅"
## [1] "调 调息止纷" "调 调派遣返"
## [1] "哥 但丁哥德" "哥 哥嫂咨询"
## [1] "核 脱氧核酸" "核 颗粒籽核"
## [1] "解 人民解放" "解 翟解丞冉"
## [1] "灸 针灸疗伤" "灸 糜费羹灸"
## [1] "乐 苦乐恼烦" "乐 乐吹轿娶"
## [1] "陆 陆地漂移" "陆 伍陆描绘"
## [1] "率 税率加乘" "率 率晤睦歧"
## [1] "漫 油浸漫馒" "漫 毗澈沮漫"
## [1] "糜 糜黍荸荠" "糜 糜费羹灸"
## [1] "朴 纯朴宽厚" "朴 邹朴俞雒"
## [1] "圈 陡拱椭圈" "圈 猪仔满圈"
## [1] "日 日明月亮" "日 矗日耸屹"
## [1] "塞 塞涓救荧" "塞 塞竺郜冼"
## [1] "享 享爵彬斌" "享 永享勋誉"
## [1] "行 践约宜行" "行 银行贷款"
## [1] "畜 牧畜粪烟" "畜 衙巷畜豢"
## [1] "腋 瘁疟腋胺" "腋 胳膊腋弛"
## [1] "已 忏悔已憾" "已 函恋私已"
## [1] "勇 威严毅勇" "勇 唆使怂勇"
仔细读来会发现，这 28 个重复字中，其实包括了 18 个多音字：”阿” “膀” “藏” “长” “朝” “传” “弹” “调” “核” “解” “乐” “陆” “率” “朴” “圈” “塞” “行” “畜” 。一个字如果有两个读音，那是算一个字还是算两个字？我认为是算一个字。
这里提醒一下：当爹妈的小心了！华版虽然有注音，但这些多音字有注错的，比如“邹朴俞雒”的“朴”是姓，发音同“瓢”（别提朴树，虽然朴树原名姓濮，但“朴树”却是艺名，没说姓朴），但注音注成了“普”。其他的这里不列举了，请爹妈自己查字典。
另外，我发现了 5 个错别字：府弟（应为“府第”）别墅，但丁哥德（应为“歌德”），矗日（应为“曰”，发音“约”）耸屹，函恋私已（应为“私己”），唆使怂勇（应为“怂恿”）。其中“矗日耸屹”隐藏很深，需要看上一句是“泵谓唧筒”，才知道“曰”是跟“谓”对仗的。
那么，纠正之后的这 5 个字是不是跟别的地方有重复呢？
x1[x1 %in% c("第", "恿", "歌", "曰", "己")]
## character(0)
看来，这 5 个字没有出现过。可见，这几个错别字应该属于录入错误。 最后，还剩下 5 个字我不确定是错别字还是作者的疏漏：”灸” “糜” “享” “腋” “漫” 。 到此可以小结一下：华版《中华字经》有 5 个错别字，18 个是多音字，16 个是出现在了小标题里，剩下的 5 个字”灸糜享腋漫”有待考证。订正后的重复字有 39 个。
纠正“灸”字
剩下的”灸糜享腋漫” 5 个字里，我考证出了 2 个，先说第 1 个。既然华版有录入错误，那么换用其它的版本。先用马光提供的版本，来自新浪博客，简称浪版。代码跟上文类似。
y = readLines("http://pastebin.com/raw.php?i=R5pc3XBJ", encoding = "UTF-8",
warn = FALSE)
y <- y[c(2, 4, 6, 8)]
y = gsub("，|。", "", y)
y <- paste(y, collapse = "")
y1 <- unlist(strsplit(y, ""))
length(y1)
## [1] 3984
y.tab = table(y1)
y.dup <- names(y.tab[y.tab > 1])
length(y.dup)
## [1] 25
不算小标题，浪版有 25 个字重复。有哪些跟华版不同呢？
y4 <- substring(y, seq(1, nchar(y), by = 4), seq(4, nchar(y), by = 4))
(xy.dif <- setdiff(x.dup, y.dup))
## [1] "灸" "日" "勇"
for (i in xy.dif) print(paste(i, "华版", grep(i, x4, value = TRUE), "浪版",
y4[grep(i, x4)]))
## [1] "灸 华版 针灸疗伤 浪版 针灸疗伤" "灸 华版 糜费羹灸 浪版 糜费羹炙"
## [1] "日 华版 日明月亮 浪版 日明月亮" "日 华版 矗日耸屹 浪版 矗曰耸屹"
## [1] "勇 华版 威严毅勇 浪版 威严毅勇" "勇 华版 唆使怂勇 浪版 唆使怂恿"
浪版纠正了前文我发现的华版”曰”“恿” 2 字的错误。此外，又发现了一个新错误：”糜费羹炙（不是灸）”。“炙”音“制”，“灸”音“九”，华版此处注音也错注成了”九”。这样，又少了 3 个重复字。但仍然有“府弟别墅”“但丁哥德”“函恋私已”里的 3 个错别字没有纠正。
y1[y1 %in% c("第", "歌", "己")] 这三个字没有出现过。
## character(0)
到此再小结一下：浪版《中华字经》有 3 个错别字，依然有 18 个多音字，16 个是出现在了小标题里，剩下的 4 个字“糜享腋漫”有待考证。订正后的重复字有 38 个。
纠正“糜”字
事情钻到这里就有些无趣了：网上这些都是什么烂版本嘛，盗版盗得不专业，还疯传。我强压住不耐烦，再纠正一个“糜”字，剩下的不管了。这次的版本是新浪爱问的注释版。R 代码跟上文类似，就不贴出来了，直接说结论：这个版本里，用“蓖麸荸荠”代替了前两个版本里的“糜黍荸荠”。这样，“糜”字就不重复出现了。看来，网上的字经除了错别字问题，还有版本的差异。正版里什么样我不知道，也许那 18 个重复的多音字也被不重复的字替代了？
总之，4000 字的《中华字经》号称无一字重复，但根据网上流传的版本看，很有可能属于夸大其辞。本文出现的版本经我订正后，仍然有 37 字重复。百里挑一找重复字，这毫无疑问属于吹毛求疵，但既然官网称“《中华字经》是中国教育部、国家教育部语言文字应用研究所承接的教育科学”十五”规化课程的重点研究成果”，那就拿出科研的精神来，避免掺假。人家《千字文》可是实打实的无重字。字经是拿来作为语文和德育教材来教育小孩子的，如果有一天孩子拿着重复的字来问：爸爸，爸爸，这个字经是不是在撒谎？
我只能说：孩儿啊，语文里有一种修辞手法，叫做夸张。