開源古典詩詞資料庫 chinese-poetry，先看清三個邊界再下載

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

如果你的專案需要一次拿到整套唐詩宋詞，chinese-poetry 大概是中文世界被引用最多的起點：GitHub 上 53,685 顆星、10,800 次 fork，MIT 授權，整包 JSON 免費帶走，商用也行。判斷先講：把它當「原料庫」用，值得拿；但「最全中文詩歌資料庫」這句自我介紹有三個邊界，最好在下載 454MB 之前先看清。三個邊界分別是：語料一半繁體一半簡體；最著名的詩收的是宋代版本，跟課本背的不一樣；唐以前的詩整段缺席。下面逐一攤開講。

先定位：它是一份資料庫，附了一個七年前的展示網站

chinese-poetry 是一個用 JSON 分發的中國古典詩文集資料庫，2016 年 9 月開張，維護者 JackeyGao 單人主導，61 位貢獻者零星補上修正。它不是給一般讀者瀏覽的網站。官方確實附了一個網頁版，但 chinese-poetry.github.io 已經轉址到 awesome-poetry.top，頁尾的版權年份停在 2019，收的文集只有十種（唐詩三百首、宋詞三百首、花間集、南唐二主詞、詩經、千家詩、聲律啟蒙、三字經等），跟資料庫本身的規模差一大截。把網站當贈品、把 JSON 當本體，定位就對了。如果你只是想查一首詩而不是搬整包資料，先前介紹過的 ggcha 漢語查詢工具箱那類查詢入口更省事。

拿資料有兩條主路。整包 git clone 下來目前約 454MB、2,246 個 JSON 檔；或只抓需要文集的 raw 單檔，每個檔案收 1,000 首上下，做小工具時這條路最輕。倉庫的 releases 頁只有 2017 年的 v0.1 佔位，沒有可用的打包下載，所以在 CI 裡建議用 sparse checkout，只拉會用到的目錄。懶得自己架服務的人也有現成路線：議題區有人用這份庫做了 Go 版 API 加 Docker 映像與 SQLite 匯出，也有人做成 MySQL 資料庫分享，等於伺服器端有人先替你踩過一遍。

資料結構很直白。以唐詩為例，每首四個欄位：作者、題名、段落、id。但不同文集的欄位並不統一：詞的欄位叫詞牌（rhythmic），沒有題名欄，等於一首詞的身分要靠詞牌加內容比對；御定全唐詩多出生平（biography）與註釋（notes）；詩經、楚辭用的是章節結構。要跨文集統一處理，先寫好每種檔案的欄位對應表再動手，比事後補救省很多工。

檔案命名也值得先摸熟：詩文檔按類型加序號遞增，每滿一千首切下一個檔，詩人名冊與生平另存獨立檔。這個規律讓分頁載入與平行處理都很省事；要抽查資料品質，隨機挑幾個檔各讀幾首，就是有效率的抽樣方法。

5.5 萬首唐詩是真的嗎？把宣稱和實算擺在一起

我整包抓下來逐一清點，結果跟宣稱的落差都在個位數百分比內：

Pin

當工程原料，這個準確度夠用；但要對外引用數字，請用實算值，不要引用 README 的行銷位數。有個小地方可以看出整理的品質：詩經恰好 305 篇，跟流傳的定數一致；詩人的生平檔也認真寫，宋太祖的條目從「宋太祖趙匡胤（九二七至九七六），涿州（今屬河北）人。生於洛陽。」起頭，一路寫到他的軍旅經歷，這種密度不像應付了事。

數字裡還藏著下載策略。宋詩 254,248 首佔了全庫約三分之二，只要你做的產品以唐詩或詞為主，整包 clone 就會把用不到的兩億多位元組一起拉下來；反過來說，做宋詩相關的應用，這份庫反而是最肥也最完整的一塊。另外標籤欄位別抱太大期望：全唐詩 57,607 首裡只有 4,132 首帶標籤，覆蓋率不到一成，想靠現成標籤做主題分類或年級分級的人，分類體系要自己建。

主力之外還有一圈小文集，合起來讓全庫到達約 38.9 萬筆：五代詞 543 首（花間集 498 闋含一篇序、南唐二主詞 45 首）、曹操詩 26 首、納蘭性德 258 首、水墨唐詩 176 首、幽夢影 219 則、楚辭 65 篇、論語 20 篇，加上四書五經與蒙學。選詩的口味偏正統文庫，不入庫的東西也查得到原因：維護方在貢獻規範寫明，有爭議的資料要社群投票決定。

唐詩其實收了兩套。全唐詩依詩人分檔，是資料量最大的那套；御定全唐詩依康熙 44 年（1705 年）敕編的 900 卷刻本逐卷分檔，多出生平與註釋欄位。御定版的 README 自述，整理到卷 796 時發現大量錯誤，整卷重做後才補回庫裡。做嚴肅引用時，御定版的卷號可以對回紙本，這是它比詩人分檔版好用的地方；至於倉庫簡介寫刻本「得詩四萬八千九百餘首」，實收 43,103 首，缺口就誠實當缺口看。

一半繁體、一半簡體：拿到手第一件事是畫編碼地圖

這份庫最容易被忽略的工程事實是編碼不統一。詩（唐詩、宋詩）與御定全唐詩的正文是繁體，打開全唐詩第一個檔案就是太宗皇帝的〈帝京篇〉：「秦川雄帝宅，函谷壯皇居。綺殿千尋起，離宮百雉餘。」李白〈將進酒〉也是繁體：「君不見黃河之水天上來，奔流到海不復回。」另一邊，詞（宋詞）、楚辭、論語、詩經、元曲的正文是簡體，蘇軾那闕水調歌頭在詞庫裡每個字都是簡體寫法；四書五經反而是繁體，兩套編碼的界線就畫在不同文集之間。蒙學的三字經還收了兩個版本並存：一千五百二十字的傳統本，與兩千零九十六字的增補本，結尾一個字之差。混雜甚至發生在同一個物件裡：靜夜思的段落欄位是繁體，標籤欄位卻是簡體詞。

這對搜尋與檢索是實際的坑。同一個詩人，在詩庫存繁體寫法、在詞庫存簡體寫法：我把蘇軾拿出來數，詩庫裡用繁體寫法收了 2,824 首、詞庫裡用簡體寫法收了 362 闋，跨文集用作者名搜尋會直接撲空，名單要先過一輪簡繁對照。實務上的作法是在匯入階段就畫好一張文集對照表：哪些目錄原樣保留、哪些目錄進轉換管線、轉換後另存一欄保留原字，方便日後回溯是原始資料就這樣寫，還是轉換環節出的差錯。

還有一個連繁體區都要注意的細節：繁體正文用的是古籍排版的用字習慣，跟台灣的教育部標準字不完全同一套。〈將進酒〉在庫裡寫「莫使金尊空對月」，尊沒有寫成樽，「為」這個字在部分詩行用的是古籍異體；靜夜思開頭的床也是同一類。做給本地讀者的繁體產品，呈現層要自己決定要不要再把這些古字換成通行寫法，這層轉換連簡繁問題都算不上，純粹是用字政策的選擇。

台灣讀者做繁體輸出怎麼辦？我拿詩經裡最容易踩雷的句子實測 OpenCC 的簡轉繁（s2tw）：「壹發五豝」、「鬒髮如雲」、「宮商角徵羽」這些一個簡體字對多個繁體字的難例，全部轉對，連五音裡那個最容易轉錯的徵都轉對了。轉換管線的建議順序：先依文集畫好地圖，詩、御定與四書五經原樣過，其餘文集進簡轉繁；作者名冊單獨建一張簡繁對照表，檢索層全部走對照後的統一寫法；最後抽幾首名篇人工核對，像詩經裡一對多的字特別容易露餡。三步做完，混雜問題就從結構性風險降成一條可以寫進文件的已知事項。工具存在而且夠準，但倉庫本身不附轉換，這層工作責任在使用者。轉完之後若要講究網頁呈現，中文網字計畫的中文字型可以接著解決字體問題。

靜夜思為什麼跟你背的不一樣

詩庫裡的靜夜思長這樣：「床前看月光，疑是地上霜。舉頭望山月，低頭思故鄉。」開頭那個床，庫裡用的是比通行字更古老的寫法，截圖裡看得很清楚；床前看月光對課本的床前明月光、舉頭望山月對課本的舉頭望明月，各差一個詞。這不是打錯字：它收的是宋蜀本的異文，今天大家熟悉的句子是明代通行本改定的，版本學上兩套並存。

Pin

倉庫面對這首詩的態度值得看。2026 年 9 月有人開議題直問「確定是看月光？望山月？誰能告訴我正確答案？」，到目前無人回覆；更早的 6 月有人提交修正，把這兩句改成通行本，這個修正到今天沒有被合併。兩件事擺在一起，讀得出隱性的編輯立場：資料庫傾向保留所收刻本的原貌，不因為通行版熟悉就改寫。同段時間還有一個反向的提交，想把全庫繁體一次轉成簡體，同樣開著沒有動。三個方向不同的拉扯，說明這份庫的「正確」由版本忠實度定義，跟一般人的語感不一樣。

對讀者的影響很實際。拿它做教材、題庫或朗讀稿，輸出會跟課本對不上；要通行本，請自己在資料層替換那兩句。異文與通行本並存，其實是做版本比較教學的現成素材，國文老師拿宋本對明本講「課本為什麼長那樣」，比空講有畫面。

「最全」的範圍：唐以前整段缺席

另一個邊界是收錄範圍。目錄結構裡沒有魏晉南北朝：陶淵明不在庫裡，他最著名的那首田園詩整首搜不到。這件事 2021 年就有人開議題反映，至今仍開著；2026 年又有人追問要不要收唐以前的詩，同樣沒有下文。「最全」的實際範圍是：唐宋兩代收得齊、先秦經部有（詩經、楚辭、論語、四書五經）、蒙學有、元曲有、清代的納蘭性德單獨收了一集，中間的魏晉南北朝整段空著。

不過蒙學那一櫃對家長和老師意外地有用：三字經、百家姓、千字文、弟子規、增廣賢文、朱子家訓、聲律啟蒙、幼學瓊林、文字蒙求都在，連古文觀止與千家詩也有。想做親子共讀 App 或寒暑假背誦表，這些是現成內容。

還有一條要先講的限制：這份庫沒有做過逐首對校紙本的工作，任何爬取整理的資料都可能留著錯字。全唐詩目錄裡甚至有一個 error 資料夾，收了 315 個抓取出錯的原始檔案，2024 年中才有人把它從官方載入器排除；如果你自寫解析器直接掃目錄，會把這些壞檔一起吃進去。宋詞的爬蟲腳本還留在倉庫裡，來源網站、編碼轉換都寫得清楚，想追資料出處的人有線索可查。要出書、出題的場景，引用前請自己再校一次。

資料庫裡的兩個附贈品：知名度排行與平仄

主檔之外有兩層附加資料，設計得頗有想法。rank 目錄以「作者加作品名」當關鍵字，用搜尋引擎的結果數量當知名度維度，每首詩詞一筆，記了百度、360、Bing、Google 四個來源的數字；隨手翻到一筆，宋太祖的〈日詩〉在 Google 有 134 萬筆結果、百度 52 萬筆。要做熱門詩詞排序或推薦邏輯，原料已經附上，連同目錄裡一個小小的查詢伺服器腳本。不過這批數字有時效問題：搜尋結果數會隨引擎調整漂移，抓取又是多年前的事，把它當「相對熱門度」的排序訊號比當精確數字穩當。strains 目錄收每首詩的平仄譜，格式是「○仄仄，仄仄仄仄。」這樣的符號序列，檔案與詩文一一對應，第幾首對第幾首不會錯位；做對聯練習、聲律教學或寫詩輔助的工具，這層是現成的判斷原料。README 對這個拆法給的理由大意是：為了保持詩文資料本身的純淨，不是所有人都需要的資料就放在旁邊、用對應關係掛上。這個取捨讓主檔乾淨，代價是你得自己寫合併邏輯。

也因為資料本質上是靜態的，把它放進產品時建議直接釘住特定的 commit，資料層與程式層分開版本管理；倉庫 README 頂端的持續整合徽章還掛著早已收攤的 Travis CI，這種小地方提醒你：它更像一座整理好的圖書館，不是一套還在跑的服務。

三個常見問題：商用、簡繁、靜夜思

### 拿它做商業產品可以嗎

可以。LICENSE 是標準 MIT（2016 年起），JSON 檔案可商用、可修改、可再散布；古典詩文的內容本身是公版。嚴謹一點的產品會在關於頁標註資料出處，這是學術禮貌，也讓你的使用者能回頭查版本；若你改寫或重編了資料再散布，留著原授權聲明、講清楚改了什麼，是 MIT 的慣例做法。

### 資料是簡體還是繁體

混合。詩、御定全唐詩與四書五經是繁體，詞、楚辭、論語、詩經、元曲是簡體。要做單一編碼的產品，先畫好編碼地圖再統一轉換；OpenCC 的簡轉繁我實測連詩經的一對多難例都轉得對。

### 靜夜思跟課本不一樣是錯字嗎

不是。那是宋本異文，資料庫傾向保留所收版本的原貌；要通行本，請在資料層自己替換那兩句。

授權與專案現況

MIT 授權，2016 年 9 月開張，53,685 顆星、10,800 次 fork、61 位貢獻者。維護是單人加社群零星提交的節奏：最新一筆合併在 2026 年 6 月（載入器修正），再往前要數到 2025 年 4 月。議題區有 137 個開著的討論，其中幾個資料修正與收錄範圍的提問已經放了好幾年。維護者靠 Patreon 與愛發電的贊助支撐這個專案，接受一次性贊助也接受定期贊助。這類專案的風險模型很清楚：資料已經穩定，不太會壞；但別期待快速修錯，重大缺口要自己動手補。

誰該拿、誰該繞路

要做詩詞 App、AI 的中文語料、文學網站，或者像Z2H 字帖那類需要古詩文當內容的產生器，這份庫是最省事的起點，記得先處理編碼與異文兩件事。要把輸出排成美觀的版面，文顏這類排版工具接在後面剛好。反過來，需要跟課綱課本逐字對齊的教材，會多一道異文替換工；需要魏晉南北朝詩或逐字校勘保證的出版場景，這裡沒有，請直接找紙本或學術資料庫。一句話收尾：它把「唐宋以後看這裡」做到了開源世界最好用的程度，邊界也畫得清楚，先看邊界再下載，454MB 就花得值得；想先體感資料長什麼樣，到倉庫挑一個詩人檔讀十首，比讀完任何介紹都快。