Licence CC BY-NC-SA

La théorie : le texte en informatique

Dernière mise à jour :
Auteur :
Catégories :

Un ordinateur ne peut stocker que des nombres, ou plus précisément des 0 et des 1 (des « bits ») qu’on regroupe pour former des nombres en binaire.

Concepts

Comment fait-on alors pour écrire du texte ? Tout simplement, on associe à chaque caractère (une lettre, un signe de ponctuation, une espace…) un nombre. Un texte est alors une séquence de tels nombres, ce qu’on appelle une « chaîne de caractères ».

Par exemple, on peut décider ceci :

Caractère

A

B

C

Z

0

1

2

9

.

,

:

?

!

-

espace

Nombre associé

0

1

2

25

26

27

28

35

36

37

38

39

40

41

42

Table: Exemple de correspondance nombre – caractère

Avec cet exemple, le texte MARTINE ECRIT EN UTF-8. serait codé comme suit :

1
2
 M  A  R  T  I  N  E     E  C  R  I  T     E  N     U  T  F  -  8  .
12 00 17 19 08 13 04 42 04 02 17 08 19 42 04 13 42 20 19 15 41 38 36

On a donné un nombre unique pour chaque lettre de l’alphabet (de A à Z), pour les dix chiffres (de 0 à 9) et pour les signes de ponctuation, sans oublier l’espace.

Cet exemple montre comment les informaticiens inventent une façon de coder du texte en mémoire.

  1. D’abord, on décide de l’ensemble des caractères dont on a besoin. On appelle cet ensemble un répertoire (ou jeu) de caractères (character set en anglais, abrégé charset).
  2. Ensuite, on assigne à chaque caractère un numéro unique appelé code. Le résultat est appelé jeu de caractères codés et se résume à un tableau de correspondance comme ci-dessus.
  3. Enfin, il faut déterminer l’encodage (encoding), c’est-à-dire la façon de transcrire du texte grâce aux codes des caractères qui le composent.

Évidemment, l’encodage le plus simple consiste à écrire directement chaque code. Le jeu et l’encodage sont alors confondus, et on parle de page de code (charmap). La distinction entre les deux peut sembler artificielle et, en fait, elle n’était pas faite jusqu’à récemment1, le besoin ne s’en étant fait ressentir qu’avec Unicode. Mais pas de panique, on verra tout ça.

Mais qu’est‐ce qu’un caractère ? On pourrait les définir comme les éléments permettant de coder du texte. Ça correspond grosso modo aux « graphèmes », c’est‐à‐dire aux plus petits éléments constitutifs d’un système d’écriture : les lettres pour un système alphabétique, les idéogrammes pour un système idéographique… sans oublier les divers symboles de ponctuation. Ce n’est pas toujours évident à définir. Par exemple, pour l’alphabet latin, faut‐il considérer une lettre accentuée comme un seul graphème, ou comme deux ? Jusqu’en 2010, l’espagnol considérait ll comme une seule lettre, et un lingüiste vous dirait que ch, ou, ai… forment chacun un seul graphème en français. Pourtant, dans les jeux actuels, ces digrammes ne possèdent pas de caractère attitré, contrairement aux ligatures comme œ, æ, ß (allemand), ij (néerlandais) dz (polonais)…

Un caractère n’est donc pas exactement un graphème, d’autant plus qu’on définit aussi des « caractères de contrôle » qui ne représentent pas des symboles « imprimables », mais contrôlent le codage du texte et donnent des indications aux programmes qui le lisent. Par exemple, un caractère « fin de texte ».


  1. d’où une tendance à mélanger allégrement tous les termes 


Ça, c’est pour la théorie. L’exemple qu’on a inventé était simpliste. En pratique, on a deux complications principales.

  1. Il faut considérer les contraintes matérielles. En effet, comme je l’ai dit, un ordinateur ne connaît que le binaire. Les bits sont regroupés par groupes de huit appelés « octets ». Un octet ne peut stocker que les nombres entiers de 0 à 255 (soit 256 = 28 possibilités). Si cela ne suffit pas, on peut rassembler les octets par deux, quatre ou plus pour avoir de plus grands nombres. Dans nos codages, il faudra tenir compte de ces limites, par exemple en faisant tenir tous les codes de notre jeu sur un ou deux octets.
  2. Il y a beaucoup plus de caractères à gérer. Dans notre exemple, on a été négligent, on en a oublié plein :
    • Il serait utile d’ajouter des caractères de contrôle.
    • Ce serait vraiment bien d’avoir les lettres minuscules…
    • Pour écrire vraiment correctement en français, il faudrait aussi les accents, le C cédille (Ç) l’E dans l’O (Œ), les symboles de monnaie…
    • Enfin, n’oublions pas que l’alphabet latin est très loin d’être le seul système d’écriture du monde : les Arabes et les Chinois — entre autres — ont sans doute envie de parler dans leur langue maternelle, eux aussi. C’est là que ça devient vraiment problématique, comme nous allons voir.