奇門

Multi tool use《奇門》,是香港科幻作家倪匡衛斯理系列中一本小説,系列編號9。此書是倪匡另一本小説《天書》的前傳。
故事概述
一天,衛斯理去探望他的集郵狂朋友,當他駕車前往之時,馬路上一隻癩皮狗竄了出來。他扭軑避開,怎知又有一車前來,兩車相撞,把路旁的郵筒撞成了兩截。衛斯理吩咐圍觀的民眾報警以後,去附近的雜貨舖借電話通知他的朋友不能來。此時,兩三個頑童撞過衛斯理又走了,遺下一封很厚的牛皮紙信件,除信之外還附有一柄鑰匙,信面被撕走,顯然是頑童貪心那郵票而為,而收信人部分地址亦失去[1]。
衛斯理在警局辦完手續以後,便著手找寄信人「米倫太太」。他去到寄信人住址,應門卻是一名十一二歲的墨西哥女孩,名叫姬娜·馬天奴,她表示米倫太太早在半年前逝世,米倫太太託負姬娜寄信,卻因為忘記了,一直放了半年才寄出。談話期間,姬娜的媽媽基度太太出現,衛斯理向婦人告訴事情的因由,但婦人態度不友好,也不告訴投寄地址,便下了逐客令。衛斯理本就此離開,轉身卻瞥見基度太太手上一枚極品的紅寶石戒指,他非常震驚,衛斯理對珠寶有相當深刻的研究,看得出紅寶石品質之好,有錢也不一定能買到,於是想追查婦人的來歷和紅寶石戒指的由來[1]。
衛斯理想辦法和婦人交談,話題轉到米倫太太的遺願,他知墨西哥人十分迷信,基度太太害怕米倫太太遺願不能實現,便允許衛斯理觀看米倫太太的遺物。米倫太太的遺物是一盒有刻工精緻的暗紅色木箱和一尊造型古怪的雕像,似乎紅寶石戒指也是米倫太太的遺物之一。衛斯理弄開木箱,內裡有一疊色彩繽紛的織錦,與及刻有浮雕、銀圓大小般的銅片。他因著好奇心,把一枚銅片偷去,打算給古物專家研究[1]。
衛斯理將銅片交給古董俱樂部,然而俱樂部的成員不認為它是古物,其後另一名古董俱樂部成員貝教授到達俱樂部,貝教授一看銅片上的文字,是墨西哥新發現的古代文明石碑上的文字同源,若以時間計算,那銅片可算是世界上最早的貨幣。貝教授要求衛斯理將米倫太太的信件打開,但他出於尊重寄信人,拒絕擅自拆閱他人的信件。於是古董俱樂部決定高價收購米倫太太的遺物,但衛斯理上門詢問基度太太時,她的丈夫基度·馬天奴一口拒絕,並將衛斯理趕了出去。姬娜走出來為父親道歉,稱父親的行為是因為暗戀米倫太太所致。從姬娜得知,米倫太太是一個風華絕代的美女,衛斯理不置可否[2]。
衛斯理其後到僑民管理處,查找米倫太太的資料,竟無任何記錄,倒有基度·馬天奴的記錄。根據記錄,基度的職業是火山觀察員,十年前移居香港,而基度的原居地,就是信件寄去的地址,於是衛斯理懷疑基度謀害米倫太太[2]。當晚便從姬娜父親處套取資料。在酒吧中,喝醉的基度便訴說他在十年前發現米倫太太的經過。可是翌日下午,衛斯理從姬娜的電話中,才得知基度因傷心過度已跳海自殺,其太太也答應轉讓米倫太太的遺物,之後返回墨西哥定居。
幾日後,衛斯理在臨出發到墨西哥了解這信件前,再上基度太太的家,卻被蘇聯特務綁至潛水艇內。衛斯理發現米倫太太竟然未死,原來當時基度並沒有把米倫太太推落大海,而是把她放在一隻小船上在大海漂流,其後被潛水艇發現並誤會為間諜。衛斯理最後成功帶同米倫太太乘坐小潛艇逃走,卻失事撞毀。衛斯理其後被漁船救起,米倫太太的屍體卻被大海沖走了。
衛斯理到達墨西哥,才發現收信人仍死,因此便到其墳墓前讀出信件。之後衛斯理憑著線索到一火山口,發現一個奇門,用米倫太太的鎖匙開啟入內,發現原來是一個太空船,內有米倫先生屍體及太空航行的紀錄。然而衛斯理離開不久,火山便爆發,太空船也因而深埋地底。而基度太太在墨西哥因過份炫耀賣出米倫太太遺物後所得的財富而被劫殺,其女姬娜則不知所終。
廣播劇
本故事亦曾經被改編成廣播劇。
香港商業電台以粵語於1987年星期一至五,每日下午三時正首播《奇門》廣播劇,合共11集。為商台衛斯理廣播劇系列第十九個故事。
- 監製:金貴
- 改編:唐寧
- 配音
朱子聰 飾演 衛斯理
錢佩卿 飾演 白素
莫佩雯 飾演 姬娜·基度
翠碧 飾演 米倫太太
馬淑逑 飾演 基度太太
金貴 飾演 基度·馬天奴
李錦 飾演 季洛夫上校
周永坤 飾演 肯斯基少將
甄惠儀 飾演 頑童
何錦榮 飾演 圍觀途人
楊廣培 飾演 貝教授
甄錦華 飾演 古物俱樂部會員
葉佳 飾演 古物俱樂部會員
陳永信 飾演 丁科長
李少蕙 飾演 黃小姐(僑民管理處女職員)
陳永信 飾演 葛里牧師
陳森 飾演 奇勒(墨西哥人,原創角色)
吳鍾泰 飾演 酒保(第3集)/衛兵(第6集)/軍官(第7集)/小鬍子警官(第10集)
參考資料
^ 1.01.11.2 《奇門》 第一部:價值連城的紅寶石 倪匡著
^ 2.02.1 《奇門》 第二部:世界上最美麗的女子倪匡著
前任: 008 蜂雲
| 衛斯理系列(按編號) 009
| 继任: 010 透明光
|
前任: 蠱惑
| 衛斯理系列(按連載時序) 1968年6月30日至1968年9月21日
| 继任: 屍變
|
衛斯理系列
|
---|
| 衛斯理系列 |
少年衛斯理(000)及 前期作品(001-036) | 000 少年衛斯理 001 鑽石花 002 地底奇人 003 衛斯理與白素 004 妖火 005 真菌之毀滅 006 藍血人 007 回歸悲劇 008 蜂雲 009 奇門 010 透明光 011 真空密室之謎 012 沉船 013 地心洪爐 014 地圖 015 叢林之神、風水 016 不死藥 017 規律、多了一個 018 支離人 019 貝殼、消失 020 仙境、奇玉 021 訪客、虛像 022 蠱惑、再來一次 023 狐變、聚寶盆 024 老貓 025 天外金球 026 屍變、湖水 027 筆友、合成 028 大廈 029 古聲、盡頭 030 換頭記 031 原子空間 032 紅月亮 033 鬼子、環 034 新年、創造 035 魔磁 036 影子、雨花台石
|
---|
| 中期作品(037-084) | 037 頭髮 038 眼睛 039 木炭 040 連鎖 041 願望猴神 042 迷藏 043 天書 044 玩具 045 尋夢 046 後備 047 第二種人 048 盜墓 049 搜靈 050 茫點 051 神仙 052 追龍 053 洞天 054 活俑 055 犀照 056 命運、十七年 057 異寶 058 極刑 058A 電王 058B 生死鎖 058C 黃金故事 058D 遊戲 059 廢墟 060 密碼 061 血統 062 謎蹤 063 瘟神 064 招魂 065 背叛 066 鬼混 067 報應 068 錯手 069 真相 070 毒誓 071 拼命 072 怪物 073 探險 074 繼續探險 075 圈套 076 烈火女 077 大秘密 078 轉世暗號 079 暗號之二 080 在數難逃 081 從陰間來 082 到陰間去 083 陰差陽錯 084 禍根
|
---|
| 後期作品(085-131) | 085 陰魂不散 086 許願 087 還陽 088 運氣 089 開心 090 將來 091 改變 092 闖禍 093 解脫 094 遺傳 095 爆炸 096 水晶宮 097 前世 098 新武器 099 病毒 100 算帳 101 原形 102 活路 103 雙程 104 洪荒 105 買命 106 賣命 107 考驗 108 傳說 109 豪賭 110 真實幻境 111 成精變人 112 未來身份 113 移魂怪物 114 人面組合 115 本性難移 116 天打雷劈 117 另類複製 118 解開密碼 119 異種人生 120 偷天換日 121 閉關開關 122 行動救星 123 乾坤挪移 124 財神寶庫 125 一半一半 126 身外化身 127 非常遭遇 128 一個地方 129 須彌芥子 130 死去活來 131 只限老友
|
---|
|
---|
| 少年衛斯理系列 (已授權) | 001 天外桃源
|
---|
| 衛斯理回憶錄 (已授權) | 001 錯構 002 同位 003 蓋世 004 移心 005 嵌合 006 天算 007 瀰散 008 乍現 009 背反 010 浩淼
|
---|
|
jUaG U,lsKfG0Gc N9,3WP9,DAo,aiM9Z6 hhZx5rW SiC h4YBWtz Tpif4,A,bwPcx S7tDW
Popular posts from this blog
Ramiro Burr's New Blog - to go back: www.ramiroburr.com From Latin rock to reggaeton, boleros to blues,Tex-Mex to Tejano, conjunto to corridos and beyond, Ramiro Burr has it covered. If you have a new CD release, a trivia question or are looking for tour info, post a message here or e-mail Ramiro directly at: musicreporter@gmail.com Top Tejano songwriter Luis Silva dead of heart attack at 64 By Ramiro Burr on October 23, 2008 8:40 AM | Permalink | Comments (12) | TrackBacks (0) UPDATE: Luis Silva Funeral Service details released Visitation 4-9 p.m. Saturday, Rosary service 6 p.m. Saturday at Porter Loring, 1101 McCullough Ave Funeral Service 10:30 a.m. Monday St. Anthony De Padua Catholic Church, Burial Service at Chapel Hills, 7735 Gibbs Sprawl Road. Porter Loring (210) 227-8221 Related New Flash: Irma Laura Lopez: long time record promoter killed in accident NewsFlash: 9:02 a.m. (New comments below) Luis Silva , one of the most well-known ...
1 I having trouble getting my ResourceDictionary.MergedDictionaries to load from app.xaml. My WPF app has a static class with a Main defined and startup object set to it. Within Main I created an instance of App and run it. The override OnStartup fires and the mainwindow.cs InitializeComponent gives the error "Message "Cannot find resource named 'MaterialDesignFloatingActionMiniAccentButton'. If I put the resources in the mainwindow.xaml everything is fine, but I wanted them to load at the app level so I they are not in each page. Any help appreciated. public partial class App protected override void OnStartup(StartupEventArgs e) base.OnStartup(e); var app = new MainWindow(); var context = new MainWindowViewModel(); app.DataContext = context; app.Show(); from the Main.. var app = new App(); app.Run(); app.xaml.. <Application x:Class="GS.Server.App" xmlns="http://schemas.microsoft.com/winfx/2006/xaml/presentation" xmlns:...
up vote 2 down vote favorite There is a clear pattern that show for two separate subsets (set of columns); If one value is missing in a column, values of other columns in the same subset are missing for any row. Here is a visualization of missing data My tries up until now, I used ycimpute library to learn from other values, and applied Iterforest. I noted, score of Logistic regression is so weak (0.6) and thought Iterforest might not learn enough or anyway, except from outer subset which might not be enough? for example the subset with 11 columns might learn from the other columns but not from within it's members, and the same goes for the subset with four columns. This bar plot show better quantity of missings So of course, dealing with missings is better than dropping rows because It would affect my prediction which does contain the same missings quantity relatively. Any better way to deal with these ? [EDIT] The nullity pattern is confirmed: machine-learning cor...