MakeMeAHanzi架构终极解密一文看懂汉字笔画矢量数据与动画引擎【免费下载链接】makemeahanziFree, open-source Chinese character data项目地址: https://gitcode.com/gh_mirrors/ma/makemeahanzi一个被大多数人忽略的难题汉字为什么喂不进计算机英文只有26个字母一套字体文件就能覆盖全部排版需求。而汉字呢《现代汉语常用字表》收录了3500字全量字符集超过九万个——更麻烦的是每个汉字都是一个多笔画的复合图形笔画的形状、顺序、方向、部件组合方式都是机器无法天然理解的信息。MakeMeAHanziMake Me a Hanzi就是为解决这个汉字数字化难题而生的开源项目它免费提供超过9000个常用简繁体汉字的字典数据与笔画矢量图形数据每个字都带有按规范笔画顺序排列的SVG路径、可用于生成动画的中位线坐标以及字源、读音、部件分解等结构化信息。Hanzi Writer、Inkstone、HanDeDict等知名汉字学习工具底层用的都是这套数据。这篇文章回答三个问题这些汉字数据究竟如何存储笔画动画是怎么从一段路径里算出来的这套数据能被复用在哪里全文按数据设计 → 核心算法 → 工程管线 → 生态价值的倒推视角展开让你既看懂设计取舍也拿到可落地的技术参考。一、数据设计哲学为什么一个项目要拆成两个数据文件进入README.md就会看到一句话数据被刻意拆成dictionary.txt和graphics.txt两个文件因为两个文件的来源许可证不同。这是理解整个数据架构的第一把钥匙。文件数据来源许可证内容dictionary.txtUnihan、CJKlib相对宽松读音、释义、部件分解、字源、matches映射graphics.txtArphic PL KaitiM GB、Arphic PL UKai 两款开源字体字体许可证笔画SVG路径、笔画中位线坐标svgs/目录由 graphics 数据派生与 graphics 相同每字一个动画SVG文件这种按许可证切分数据的设计非常值得借鉴法律约束直接映射成了架构约束。如果你要做一个混合来源的数据产品与其强行合并再想办法规避风险不如像这样把来源隔离干净用character字段作为两个文件的天然连接键。1.1 字典侧一张能读懂汉字的JSON表dictionary.txt每行是一个JSON对象以福字为例{ character: 福, definition: happiness, good fortune, blessings, pinyin: [fú], decomposition: ⿰礻畐, etymology: { type: pictophonetic, hint: A blessing from the gods, phonetic: 畐, semantic: 礻 }, radical: 示, matches: [[0], [0], [1], [0,0], [0,1], ...] }三个字段最值得琢磨decomposition使用 Ideographic Description SequenceIDS标准。⿰表示左右结构⿱表示上下结构所以⿰礻畐的意思是左边是礻、右边是畐。这等于把汉字不可编程的形状翻译成了可解析的树状结构。注意 README 里有个细节拆不开的部件用全角问号占位比如⿱逢说明设计者宁可保留不完整数据也不造假。etymology把字源类型收敛成三种ideographic会意、pictographic象形、pictophonetic形声。形声字还会额外给出phonetic声旁和semantic义旁这让福是形声字礻表义、畐表音这种语言学知识变成了机器可查询的字段。matches是最精巧的设计它是笔画 → 部件的映射。以 README 中的俢分解为⿰亻⿱夂彡为例第三笔属于夂在分解树里的路径是先取⿰的第二个孩子再取⿱的第一个孩子于是记为[1, 0]。有了它程序才能回答这一笔属于哪个偏旁这也是实现笔画级部件高亮可视化的前提。1.2 图形侧一套反人类却极其聪明的坐标系graphics.txt的每条记录包含strokes按笔顺排序的SVG路径数组和medians每笔的中位线坐标数组。两个数组长度永远相等一一对应。坐标系是最大的坑也是 README 明确警告的stra[n]ge设计svg viewBox0 0 1024 1024 g transformscale(1, -1) translate(0, -900) path d笔画路径数据/path /g /svg原始数据采用1024×1024 画布但Y 轴向下递减左上角是 (0, 900)右下角是 (1024, -124)。这跟常规的屏幕坐标完全相反所以渲染时必须先用scale(1, -1)翻转Y轴、再translate(0, -900)平移回可视区。这种原始数据保持字体提取时的坐标系、渲染时再修正的做法避免了在数据层反复换算引入精度损失——把复杂性留在数据侧把一致性交给渲染侧。medians长这样medians: [[[336,704],[450,666],[554,620],[587,595],[614,558]], [...]]它只是笔画骨架上的一串离散点却是后面所有动画逻辑的燃料。二、核心算法拆解一条笔画路径是如何被修好和动起来的拿到字体文件的字形轮廓后最大的工程难点有两个轮廓路径中有大量笔画交叉残留的桥接点L指令以及如何从封闭轮廓提取中位线。stroke_caps/目录就是这两大难题的解法仓库。2.1 笔画修正算法识别桥再把被切断的笔尖补回去直接看stroke_caps/fixStrokes.js核心类是两个Bridge和Clip。getBridges() { const pointStringParts this.pathString.match(/-?\d(?:\.\d)? -?\d(?:\.\d)? L/ig); ... }这段代码在做什么它用正则扫描每条笔画路径把所有带L直线段的坐标点提取出来。在从字体提取轮廓时笔画相交处会留下L指令形式的桥——这些桥让笔画看起来像被切开又缝上的动画时会出现不自然的断笔。getClips() { if (dist(this.points[0], this.points[1]) 3.1) return []; // 太小的桥是渲染毛刺跳过 const cosSim0 getCosSimAroundPoint(this.points[0], this.stroke.outline); const cosSim1 getCosSimAroundPoint(this.points[1], this.stroke.outline); // 若桥两端所在轮廓都接近直线说明只是两条笔画路过彼此不是真交叉 if (Math.min(cosSim0, cosSim1) 0.89 Math.max(cosSim0, cosSim1) 0.97) return []; ... }为什么这么设计算法用余弦相似度getCosSimAroundPoint判断桥点附近轮廓的弯曲程度。如果桥两端都是直线段说明两条笔画只是平行穿过属于假交叉否则才判定为真正的笔画裁剪clip。阈值 0.89 / 0.97 是经验值——太高会把真交叉当假交叉太低又会误伤正常笔画。判定为真裁剪后getNewStrokeTip()用getLinesIntersectPoint来自utils.js标准线段求交公式算出两条轮廓切线的交点作为贝塞尔控制点把被剪断的笔尖重新补圆。平行线求交会得到NaN代码里兜底直接用距离30的默认值。整套流程找桥 → 验交叉 → 补笔尖 → 四舍五入坐标roundPathPoints把浮点转整数让文件更紧凑。updateGraphicsTxt.js把这套逻辑做成批处理管线逐行读取graphics.txt对每个字调用fixStrokes()把修正后的路径写回。run.sh一键串起npm install和修正流程。2.2 中位线提取笔画动画的骨架utils.js里有一段关键代码把连续的贝塞尔曲线离散化const getOutlinePoints (pathString, count 1000) { const path svgPathUtils(pathString); // point-at-length 库 const delta path.length() / count; const outline []; for (let i 0; i count; i 1) { const svgPoint path.at(i * delta); // 按弧长等距采样 outline.push({x: svgPoint[0], y: svgPoint[1]}); } return outline; };这段代码在做什么SVG路径本质是方程而非点集无法直接比较、求距。这里把每条路径等分成1000个采样点转成离散点集outline。之后所有几何运算最近点查找getPointIndex、点到路径距离distToPath、切线估计estimateTanPoints都在这份点集上进行。medians正是从这个点集里提取出的笔画骨架是动画绘制笔尖运动轨迹的直接依据。2.3 动画SVG的生成思路generateStillSvgs.js展示了如何基于中位线生成带编号的静态字形图而svgs/目录里则直接放着每个字一份的动画SVG按Unicode码点命名如19968.svg对应一。用一段head -c查看文件即可看到核心机制keyframes keyframes0 { from { stroke: blue; stroke-dashoffset: 1067; stroke-width: 128; } 78% { stroke: blue; stroke-dashoffset: 0; stroke-width: 128; } to { stroke: black; stroke-width: 1024; } } #make-me-a-hanzi-animation-0 { animation: keyframes0 1.118s both; }设计意图动画不靠JS逐帧驱动而是用纯CSSstroke-dashoffset从路径总长递减到0模拟笔锋扫过的效果配合clipPath控制每个笔画的出现范围。总时长如1.118秒由路径长度按比例换算得出笔画越长动画越慢符合真实书写节奏。这也是几乎零依赖、可直接embed嵌入网页的原因。三、工程实现与最佳实践一个9000数据集的打磨细节3.1 依赖选型精简到极致的工具链stroke_caps/package.json只依赖四个包分工异常清晰依赖用途point-at-length路径按弧长采样path.length()/path.at()svg-path-propertiesSVG路径属性计算cheerio服务端解析/改写SVG DOMfs-extra、commander文件读写与CLI参数解析值得学习的点处理SVG几何问题优先选路径采样而非自行解析贝塞尔方程的工具可以少写大量数学代码而cheerio让SVG能被当作DOM来改比正则替换可靠得多。3.2 数据校验与健壮性整个项目处处体现数据完整性优先字段要么是必需、要么显式标记可选definition可缺省、etymology可为null、pinyin可为空数组但character和radical必须存在未知信息不硬凑拆不出的部件用占位动画边界问题如两个SVG并列播放在README里如实标注为实验性容错处理fixStrokes.js对 3.1像素的桥直接跳过对平行线求交的NaN结果给默认值generateStillSvgs.js则内置TEST_MODE可只生成3个样例SVG用于调试避免全量跑一遍才发现问题。3.3 性能与容量dictionary.txt与graphics.txt各9574 行每行一个JSON对象svgs/目录按码点分布存放动画文件。按行流式读取readlinefs.createReadStream而非一次性JSON.parse全文件是处理这种大文本数据的标准姿势。数据量可控压缩后约10MB级别因此采用纯文本 按行切分而非数据库换取零部署成本和高可移植性。stats.py还展示了这些数据能被怎样二次挖掘例如对全部形声字做统计验证声旁在左⿰声旁义旁与在右⿰义旁声旁的分布比例以及声旁、义旁的平均笔画数对比——数据不仅能用还能反过来验证语言学规律。四、生态与衍生价值一套数据养活一个生态这套数据的衍生价值体现在三个层次直接复用型Hanzi Writer、Inkstone 等直接把graphics.txt里的笔画路径和中位线接进自己的渲染引擎实现书写练习与笔顺纠错增强加工型不少客户端会对数据做二次预处理比如转换成自己的动画格式README 作者也明确表示愿意提供算法建议——开源社区的数据接力由此展开教学创新型matches字段可以做出逐笔高亮所属偏旁的教学可视化medians可做笔顺实时比对decomposition可做部件拼字游戏。这些能力几乎不需要额外数据现有JSON字段即可支撑。可落地的扩展方向也很明确多地区笔顺标准日、台、港与更多字形变体是目前数据最明显的空白README 也点名推荐了 animCJK、KanjiVG 等日本笔顺项目作为互补资源。五、总结与展望这套架构教会了我们什么回看 MakeMeAHanzi它最大的方法论价值不是数据量大而是把汉字这件看似无法编程的事拆解成了四层可编程的抽象字形层SVG路径 特殊坐标系解决形状怎么存骨架层medians中位线解决书写轨迹怎么表示结构层decompositionmatches解决部件归属怎么查询语义层etymologypinyinradical解决字怎么读、怎么讲、归哪部。任何一个想要做汉字数据化产品的团队都可以把这套分层当作模板用许可证约束决定文件边界用标准化协议IDS/Unicode保证互操作性用宁可缺省不可造假保证数据可信度用纯CSS动画降低消费方接入成本。未来方向同样清晰数据侧可以扩充多区域笔顺与历史字形算法侧可以引入深度学习自动从更多字体提取笔画工程侧可以做成REST API或WebAssembly版本。而对普通开发者来说最有价值的启发是——当你面对一个复杂到没法建模的领域时先别急着写算法试试像本项目一样先定义一套足够好的数据结构算法和生态会自己长出来。想亲手跑一遍数据处理管线克隆仓库后进入stroke_caps/执行run.sh即可对graphics.txt全量执行笔画修正想快速体验动画效果直接按Unicode码点引用svgs/目录下的动画SVG文件即可。【免费下载链接】makemeahanziFree, open-source Chinese character data项目地址: https://gitcode.com/gh_mirrors/ma/makemeahanzi创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 MakeMeAHanzi架构终极解密：一文看懂汉字笔画矢量数据与动画引擎
MakeMeAHanzi架构终极解密一文看懂汉字笔画矢量数据与动画引擎【免费下载链接】makemeahanziFree, open-source Chinese character data项目地址: https://gitcode.com/gh_mirrors/ma/makemeahanzi一个被大多数人忽略的难题汉字为什么喂不进计算机英文只有26个字母一套字体文件就能覆盖全部排版需求。而汉字呢《现代汉语常用字表》收录了3500字全量字符集超过九万个——更麻烦的是每个汉字都是一个多笔画的复合图形笔画的形状、顺序、方向、部件组合方式都是机器无法天然理解的信息。MakeMeAHanziMake Me a Hanzi就是为解决这个汉字数字化难题而生的开源项目它免费提供超过9000个常用简繁体汉字的字典数据与笔画矢量图形数据每个字都带有按规范笔画顺序排列的SVG路径、可用于生成动画的中位线坐标以及字源、读音、部件分解等结构化信息。Hanzi Writer、Inkstone、HanDeDict等知名汉字学习工具底层用的都是这套数据。这篇文章回答三个问题这些汉字数据究竟如何存储笔画动画是怎么从一段路径里算出来的这套数据能被复用在哪里全文按数据设计 → 核心算法 → 工程管线 → 生态价值的倒推视角展开让你既看懂设计取舍也拿到可落地的技术参考。一、数据设计哲学为什么一个项目要拆成两个数据文件进入README.md就会看到一句话数据被刻意拆成dictionary.txt和graphics.txt两个文件因为两个文件的来源许可证不同。这是理解整个数据架构的第一把钥匙。文件数据来源许可证内容dictionary.txtUnihan、CJKlib相对宽松读音、释义、部件分解、字源、matches映射graphics.txtArphic PL KaitiM GB、Arphic PL UKai 两款开源字体字体许可证笔画SVG路径、笔画中位线坐标svgs/目录由 graphics 数据派生与 graphics 相同每字一个动画SVG文件这种按许可证切分数据的设计非常值得借鉴法律约束直接映射成了架构约束。如果你要做一个混合来源的数据产品与其强行合并再想办法规避风险不如像这样把来源隔离干净用character字段作为两个文件的天然连接键。1.1 字典侧一张能读懂汉字的JSON表dictionary.txt每行是一个JSON对象以福字为例{ character: 福, definition: happiness, good fortune, blessings, pinyin: [fú], decomposition: ⿰礻畐, etymology: { type: pictophonetic, hint: A blessing from the gods, phonetic: 畐, semantic: 礻 }, radical: 示, matches: [[0], [0], [1], [0,0], [0,1], ...] }三个字段最值得琢磨decomposition使用 Ideographic Description SequenceIDS标准。⿰表示左右结构⿱表示上下结构所以⿰礻畐的意思是左边是礻、右边是畐。这等于把汉字不可编程的形状翻译成了可解析的树状结构。注意 README 里有个细节拆不开的部件用全角问号占位比如⿱逢说明设计者宁可保留不完整数据也不造假。etymology把字源类型收敛成三种ideographic会意、pictographic象形、pictophonetic形声。形声字还会额外给出phonetic声旁和semantic义旁这让福是形声字礻表义、畐表音这种语言学知识变成了机器可查询的字段。matches是最精巧的设计它是笔画 → 部件的映射。以 README 中的俢分解为⿰亻⿱夂彡为例第三笔属于夂在分解树里的路径是先取⿰的第二个孩子再取⿱的第一个孩子于是记为[1, 0]。有了它程序才能回答这一笔属于哪个偏旁这也是实现笔画级部件高亮可视化的前提。1.2 图形侧一套反人类却极其聪明的坐标系graphics.txt的每条记录包含strokes按笔顺排序的SVG路径数组和medians每笔的中位线坐标数组。两个数组长度永远相等一一对应。坐标系是最大的坑也是 README 明确警告的stra[n]ge设计svg viewBox0 0 1024 1024 g transformscale(1, -1) translate(0, -900) path d笔画路径数据/path /g /svg原始数据采用1024×1024 画布但Y 轴向下递减左上角是 (0, 900)右下角是 (1024, -124)。这跟常规的屏幕坐标完全相反所以渲染时必须先用scale(1, -1)翻转Y轴、再translate(0, -900)平移回可视区。这种原始数据保持字体提取时的坐标系、渲染时再修正的做法避免了在数据层反复换算引入精度损失——把复杂性留在数据侧把一致性交给渲染侧。medians长这样medians: [[[336,704],[450,666],[554,620],[587,595],[614,558]], [...]]它只是笔画骨架上的一串离散点却是后面所有动画逻辑的燃料。二、核心算法拆解一条笔画路径是如何被修好和动起来的拿到字体文件的字形轮廓后最大的工程难点有两个轮廓路径中有大量笔画交叉残留的桥接点L指令以及如何从封闭轮廓提取中位线。stroke_caps/目录就是这两大难题的解法仓库。2.1 笔画修正算法识别桥再把被切断的笔尖补回去直接看stroke_caps/fixStrokes.js核心类是两个Bridge和Clip。getBridges() { const pointStringParts this.pathString.match(/-?\d(?:\.\d)? -?\d(?:\.\d)? L/ig); ... }这段代码在做什么它用正则扫描每条笔画路径把所有带L直线段的坐标点提取出来。在从字体提取轮廓时笔画相交处会留下L指令形式的桥——这些桥让笔画看起来像被切开又缝上的动画时会出现不自然的断笔。getClips() { if (dist(this.points[0], this.points[1]) 3.1) return []; // 太小的桥是渲染毛刺跳过 const cosSim0 getCosSimAroundPoint(this.points[0], this.stroke.outline); const cosSim1 getCosSimAroundPoint(this.points[1], this.stroke.outline); // 若桥两端所在轮廓都接近直线说明只是两条笔画路过彼此不是真交叉 if (Math.min(cosSim0, cosSim1) 0.89 Math.max(cosSim0, cosSim1) 0.97) return []; ... }为什么这么设计算法用余弦相似度getCosSimAroundPoint判断桥点附近轮廓的弯曲程度。如果桥两端都是直线段说明两条笔画只是平行穿过属于假交叉否则才判定为真正的笔画裁剪clip。阈值 0.89 / 0.97 是经验值——太高会把真交叉当假交叉太低又会误伤正常笔画。判定为真裁剪后getNewStrokeTip()用getLinesIntersectPoint来自utils.js标准线段求交公式算出两条轮廓切线的交点作为贝塞尔控制点把被剪断的笔尖重新补圆。平行线求交会得到NaN代码里兜底直接用距离30的默认值。整套流程找桥 → 验交叉 → 补笔尖 → 四舍五入坐标roundPathPoints把浮点转整数让文件更紧凑。updateGraphicsTxt.js把这套逻辑做成批处理管线逐行读取graphics.txt对每个字调用fixStrokes()把修正后的路径写回。run.sh一键串起npm install和修正流程。2.2 中位线提取笔画动画的骨架utils.js里有一段关键代码把连续的贝塞尔曲线离散化const getOutlinePoints (pathString, count 1000) { const path svgPathUtils(pathString); // point-at-length 库 const delta path.length() / count; const outline []; for (let i 0; i count; i 1) { const svgPoint path.at(i * delta); // 按弧长等距采样 outline.push({x: svgPoint[0], y: svgPoint[1]}); } return outline; };这段代码在做什么SVG路径本质是方程而非点集无法直接比较、求距。这里把每条路径等分成1000个采样点转成离散点集outline。之后所有几何运算最近点查找getPointIndex、点到路径距离distToPath、切线估计estimateTanPoints都在这份点集上进行。medians正是从这个点集里提取出的笔画骨架是动画绘制笔尖运动轨迹的直接依据。2.3 动画SVG的生成思路generateStillSvgs.js展示了如何基于中位线生成带编号的静态字形图而svgs/目录里则直接放着每个字一份的动画SVG按Unicode码点命名如19968.svg对应一。用一段head -c查看文件即可看到核心机制keyframes keyframes0 { from { stroke: blue; stroke-dashoffset: 1067; stroke-width: 128; } 78% { stroke: blue; stroke-dashoffset: 0; stroke-width: 128; } to { stroke: black; stroke-width: 1024; } } #make-me-a-hanzi-animation-0 { animation: keyframes0 1.118s both; }设计意图动画不靠JS逐帧驱动而是用纯CSSstroke-dashoffset从路径总长递减到0模拟笔锋扫过的效果配合clipPath控制每个笔画的出现范围。总时长如1.118秒由路径长度按比例换算得出笔画越长动画越慢符合真实书写节奏。这也是几乎零依赖、可直接embed嵌入网页的原因。三、工程实现与最佳实践一个9000数据集的打磨细节3.1 依赖选型精简到极致的工具链stroke_caps/package.json只依赖四个包分工异常清晰依赖用途point-at-length路径按弧长采样path.length()/path.at()svg-path-propertiesSVG路径属性计算cheerio服务端解析/改写SVG DOMfs-extra、commander文件读写与CLI参数解析值得学习的点处理SVG几何问题优先选路径采样而非自行解析贝塞尔方程的工具可以少写大量数学代码而cheerio让SVG能被当作DOM来改比正则替换可靠得多。3.2 数据校验与健壮性整个项目处处体现数据完整性优先字段要么是必需、要么显式标记可选definition可缺省、etymology可为null、pinyin可为空数组但character和radical必须存在未知信息不硬凑拆不出的部件用占位动画边界问题如两个SVG并列播放在README里如实标注为实验性容错处理fixStrokes.js对 3.1像素的桥直接跳过对平行线求交的NaN结果给默认值generateStillSvgs.js则内置TEST_MODE可只生成3个样例SVG用于调试避免全量跑一遍才发现问题。3.3 性能与容量dictionary.txt与graphics.txt各9574 行每行一个JSON对象svgs/目录按码点分布存放动画文件。按行流式读取readlinefs.createReadStream而非一次性JSON.parse全文件是处理这种大文本数据的标准姿势。数据量可控压缩后约10MB级别因此采用纯文本 按行切分而非数据库换取零部署成本和高可移植性。stats.py还展示了这些数据能被怎样二次挖掘例如对全部形声字做统计验证声旁在左⿰声旁义旁与在右⿰义旁声旁的分布比例以及声旁、义旁的平均笔画数对比——数据不仅能用还能反过来验证语言学规律。四、生态与衍生价值一套数据养活一个生态这套数据的衍生价值体现在三个层次直接复用型Hanzi Writer、Inkstone 等直接把graphics.txt里的笔画路径和中位线接进自己的渲染引擎实现书写练习与笔顺纠错增强加工型不少客户端会对数据做二次预处理比如转换成自己的动画格式README 作者也明确表示愿意提供算法建议——开源社区的数据接力由此展开教学创新型matches字段可以做出逐笔高亮所属偏旁的教学可视化medians可做笔顺实时比对decomposition可做部件拼字游戏。这些能力几乎不需要额外数据现有JSON字段即可支撑。可落地的扩展方向也很明确多地区笔顺标准日、台、港与更多字形变体是目前数据最明显的空白README 也点名推荐了 animCJK、KanjiVG 等日本笔顺项目作为互补资源。五、总结与展望这套架构教会了我们什么回看 MakeMeAHanzi它最大的方法论价值不是数据量大而是把汉字这件看似无法编程的事拆解成了四层可编程的抽象字形层SVG路径 特殊坐标系解决形状怎么存骨架层medians中位线解决书写轨迹怎么表示结构层decompositionmatches解决部件归属怎么查询语义层etymologypinyinradical解决字怎么读、怎么讲、归哪部。任何一个想要做汉字数据化产品的团队都可以把这套分层当作模板用许可证约束决定文件边界用标准化协议IDS/Unicode保证互操作性用宁可缺省不可造假保证数据可信度用纯CSS动画降低消费方接入成本。未来方向同样清晰数据侧可以扩充多区域笔顺与历史字形算法侧可以引入深度学习自动从更多字体提取笔画工程侧可以做成REST API或WebAssembly版本。而对普通开发者来说最有价值的启发是——当你面对一个复杂到没法建模的领域时先别急着写算法试试像本项目一样先定义一套足够好的数据结构算法和生态会自己长出来。想亲手跑一遍数据处理管线克隆仓库后进入stroke_caps/执行run.sh即可对graphics.txt全量执行笔画修正想快速体验动画效果直接按Unicode码点引用svgs/目录下的动画SVG文件即可。【免费下载链接】makemeahanziFree, open-source Chinese character data项目地址: https://gitcode.com/gh_mirrors/ma/makemeahanzi创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考