Home
About

Encodage des caractères

Cours/Algorithmie/Structure chaine de caractères/Encodage des caractères

En informatique tout est nombre. La base étant l'octet (équivalent à un byte, 8bits, 0xFF en hexadécimal, 255 en décimal). Texte et caractères n'ont donc pas vraiment de sens intrinsèque en informatique : ce sont des octets et on les fait correspondre à des caractères.

On a coutume d'écrire les octets de façon hexadécimale, de 00 (0) à FF (255)

Codage des caractères

TBD un nombre pour un caractère

ASCII et avatars

Le premier codage utilisé était le code ASCII dont chaque symbole était codé sur 7 bits, ce qui permettait de représenter 128 symboles. Plusieurs extensions ont été proposées par la suite dont le codage ISO-8859-1 où chaque symbole est codé sur un octet (8 bits). Ce codage avait l'avantage de permettre d'écrire en français, les accents y étant présents.

Il y en a eu une foultitude d'autres jusqu'à arriver au standard actuel.

A priori lorsque l'on ouvre un fichier texte avec un éditeur rien ne dit quel est l'encodage utilisé : ce n'est qu'une suite d'octets. Par exemple, la chaîne de caractères "j'écris en Français" se code :

Il n'y a aucun moyen a priori de savoir en quel format le texte est codé. Pour éviter des problèmes :

Codez tous vos textes en utf-8, ce qui devrait être le comportement par défaut de votre éditeur de texte.

Unicode

Les formats d'encodage anciens, comme le codage ASCII ou le ISO-8859-1 permettent d'écrire en anglais, voire en français. Mais... Pas dans beaucoup de langues parlées par plus de locuteurs comme le Chinois ou encore le Russe. Elles avaient eux aussi leur propre format d'encodage.

Pour rationaliser cela, le format Unicode a été créé. Son but est d'associer un nombre à chaque caractère de toutes les langues humaines possibles (donc pas de Tengwar, de Klingon ou encore de Khuzdul dans Unicode)

Ce n'est pas un format fixe, il évolue sans cesse en ajoutant de nouveaux caractères. Il y a actuellement (en 2023) près de 150000 caractères possibles. À chaque caractère est associé un numéro entre 0 et FFFFFF (16777215).

On a coutume de faire précéder ce nombre par U+ pour préciser que c'est un code Unicode écrit en hexadécimal.

Ainsi U+1823 correspond à la lettre mongole o : ᠣ, retrouvez là dans la la liste des différents codes

Les caractères sont organisés en blocs, par exemple :

Unicode permet d'unifier tous les encodages de caractères en associant à tout caractère d'une langue humaine un numéro.

Cependant Unicode n'est pas un système d'encodage de caractère, c'est juste une table de correspondance. Cette table est néanmoins utilisée dans les système d'encodage de caractères, comme l'utf-8.

utf-8

TBD : l'encodage actuel : utf-8.

On ne peut pas vraiment utiliser Unicode directement pour encoder les caractères, sinon chaque caractère devrait être encodé par 3 octets, alors que seul un très petit nombre de caractères seraient utilisés. En particulier si on écrit du code ou de l'anglais.

On utilise donc une transformation de ces codes pour diminuer la taille de l'encodage. On appelle ce format utf (Unicode transformation format) et il permet de coder chaque symbole sur 1 à 4 octets. C'est un octet de plus que tout nombre Unicode au maximum, mais le plus souvent -- si on écrit en anglais -- tout est stocké sur 1 octet par caractère, comme l’ASCII.

Il existe plusieurs format utf, mais c'est utf-8 qui s'est imposé.

Organisation du code

Convertisseur utf8 vers hexadécimal

Comment encoder des caractères sur un nombre variables d'octets ? Il faut pour cela résoudre deux problèmes épineux :

Utf-8 résout ce problème de façon élégante (voir la description de l'encodage) :

Les autres bits des octets de codes raboutés entre eux donnent le code Unicode du caractère utilisé.

Exemple du é en python

Le symbole é est par exemple de code : U+00E9.

  1. code Unicode : 0xE9 = 233. On l'obtient en python avec la commande ord('é')
  2. son code utf-8 est sur 2 octets. On l'obtient en convertissant la chaîne de caractères en utf-8 : 'é'.encode('utf8'). Ce résultat donne : b'\xc3\xa9'. Le b avant la chaîne en python indique que ce n'est pas une chaîne de caractères, mais une successions d'octets (byte), valant C3 et A9 (\x signifie que ce qui suit est un nombre hexadécimal).
  3. les deux octets 0xC3 et 0xA9 (en python les nombres hexadécimaux sont écrit en commençant par 0x. Écrire un nombre en hexadécimale se fait par la fonction hex). correspondent à l'écriture binaire : bin(0xC3)qui rend '0b11000011' et bin(0xA9) qui rend '0b10101001'. Le nombre est ainsi codé en utf-8 avec les deux octets : 11000011 10101001.
  4. en regardant le code utf-8 sur 2 octets, on voit que le code Unicode est la concaténation des 5 derniers bits du premier octet (qui commence par 110) et des 6 dernier bits du deuxième (qui commence par 10). On obtient ainsi 00011101001 qui est : int('00011101001', 2) et vaut : 233. Ouf, la boucle est bouclée on retrouve bien le code Unicode de é.

En python

  • On peut écrire des nombres en python en base 10, de façon normale, 42 par exemple. On peut écrire des nombres en base 2 directement en commençant le nombre par 0b, comme 0b101010 par exemple. On encore en base 16, en les faisant commencer par 0x, comme 0x2A.
  • convertir un nombre en binaire ou en hex via les fonctions bin et hex rendent des chaînes de caractères. En effet, un nombre est un nombre; sa représentation dans une autre base est une chaîne de caractères. Ainsi bin(42) donne '0b101010' et hex(42) donne '0x2a'.
  • notez bien la différence entre écrire un nombre en base 10, 2, et 16 et voir sa forme dans une base particulière (2 ou 16)

Python et chaînes de caractères

Une chaîne de caractères s est de type str. Elle peut être considérée comme un tableaux de len(s) cases. Ces objets son non modifiables.

En python, la concaténation est symbolisée par l'opérateur +.

On peut faire de nombreuses choses avec des chaînes de caractères en python, n'hésitez pas à aller voir la documentation si vous voulez faire une opération sur les chaînes, elle est souvent déjà implémentée.

Texte vers types

Toute chose tapée au clavier par un utilisateur sera considérée comme du texte :

x = input('entrez un nombre :')

Dans le bout de code ci-dessus, x est une chaîne de caractères. Pour la convertir en entier, on fera : int(x) qui rendra la conversion de x en entier.

Toujours convertir les données entrées par un utilisateur ou lues d'un fichier dans le type voulu.

byte et str

Par défaut toutes les chaînes de caractères sont de type str, et encodées en utf-8. Si on veut connaître explicitement les octets d'une chaîne, il faut l'encoder en un autre format par la méthode encode des chaînes de caractères qui rend un objet de type byte qui est une suite d'octets.

C'est comme une chaîne de caractères mais qui commence par b . On peut ensuite décoder un byte pour le retransformer en str :

x = "ma chaîne de caractères"
x_en_byte = x.encode('utf8')  # devient : b'ma cha\xc3\xaene de caract\xc3\xa8res'
re_x = x_en_byte.decode('utf8')

Ceci va s'avérer utile lorsque l'on récupérera des fichiers depuis internet. Ce seront des byte qu'il faudra re-écrire en utf8.

Les différents encoding possibles sont disponibles dans la documentation.

Exercices

On utilisera les nombres de Mersenne comme prétexte à la manipulation de chaînes de caractères en python. Ces exercices sont pour une grande partie tirés d'un cours donné il y a quelques temps par Aristide Grange, à l'université Paul Verlaine de Metz.

Notez m27 le 27ième nombre de Mersenne $2^{44497} -1$ :

solution

 
m27 = 2 ** 444497 - 1

Combien de chiffres en base 10, 2 et 16 possède ce nombre ?

solution
  • en base 10 : len(str(m27)) : conversion de l'entier en chaîne de caractères puis son nombre de chiffres
  • en base 2 : len(bin(m27)) - 2 : bin transforme un entier en sa représentation binaire. C'est une chaîne de caractères qui commence par 0b donc on retranche 2 à la longueur.
  • en base 16 : len(hex(m27)) - 2 : hex transforme un entier en sa représentation hexadécimale. C'est une chaîne de caractères qui commence par 0x donc on retranche 2 à la longueur.

Méthodes de chaînes de caractères

Utilisez la documentation sur les méthodes de chaînes en python pour résoudre les exercices suivants

Index de la première occurrence de 1234 dans m27. Et de la deuxième ?

solution
  • str(m27).find('1234')
  • str(m27).find('1234', 19260 + 1) : la première occurrence est à l'indice 19260, on cherche donc après.
  • on peut faire en une ligne : str(m27).find('1234', str(m27).find('1234') + 1)

Slice

Comme pour les listes, on peut utiliser les slices pour copier des parties de chaîne.

Ainsi "abcdefghijklmnopqrstuvwxyz"[2:15:4] vaut : 'cgko'.

Quels sont les 10 premiers chiffres de m27 ?

solution

str(m27)[:10]

Quels sont les 10 derniers chiffres de m27 ?

solution

str(m27)[-10:]

Est-ce que m27 est un palindrome ?

solution

str(m27) == str(m27)[::-1] (s[::-1] renverse la chaîne)