La représentation des caractères

Cette leçon permettra de savoir comment représenter en binaire des caractères textuels.

Définition

Un caractère est un symbole d'écriture représentant en général une lettre (A, b, C), un chiffre (1,2,3,...) ou un symbole (字, Д).

En informatique, on ne peut pas représenter de but en blanc un caractère de cette manière car elle ne comprend que des 0 et des 1.

Il faudra de fait, les coder pour la machine.

Le codage d'un caractère est une association entre celui-ci et une représentation binaire. On appelle un système de codage est un ensemble de règles pour convertir une information par une autre (ici un caractère avec sa représentation binaire).

Un système de codage de caractère : ASCII

L'ASCII (American Standard Code for Information Interchange) est un codage qui utilise 7 bits pour représenter des caractères alpha-numériques et d'autres caractères réservés (comme l'espace ou le retour chariot).

En ayant 7 bits pour représenter un caractère, on peut représenter \(2^7\) caractères soient 128 caractères.

Pour faciliter la compréhension, on peut dresser une table de correspondance.

Déc	Hex	Car	Déc	Hex	Car	Déc	Hex	Car	Déc	Hex	Car
32	20	(space)	48	30	0	64	40	@	80	50	P
33	21	!	49	31	1	65	41	A	81	51	Q
34	22	"	50	32	2	66	42	B	82	52	R
35	23	#	51	33	3	67	43	C	83	53	S
36	24	$	52	34	4	68	44	D	84	54	T
37	25	%	53	35	5	69	45	E	85	55	U
38	26	&	54	36	6	70	46	F	86	56	V
39	27	'	55	37	7	71	47	G	87	57	W
40	28	(	56	38	8	72	48	H	88	58	X
41	29	)	57	39	9	73	49	I	89	59	Y
42	2A	*	58	3A	:	74	4A	J	90	5A	Z
43	2B	+	59	3B	;	75	4B	K	91	5B	[
44	2C	,	60	3C	<	76	4C	L	92	5C	\
45	2D	-	61	3D	=	77	4D	M	93	5D	]
46	2E	.	62	3E	>	78	4E	N	94	5E	^
47	2F	/	63	3F	?	79	4F	O	95	5F	_
96	60	`	112	70	p	128	80	€	144	90	É
97	61	a	113	71	q	129	81	‚	145	91	‘
98	62	b	114	72	r	130	82	ƒ	146	92	’
99	63	c	115	73	s	131	83	„	147	93	“
100	64	d	116	74	t	132	84	…	148	94	”
101	65	e	117	75	u	133	85	†	149	95	•
102	66	f	118	76	v	134	86	‡	150	96	–
103	67	g	119	77	w	135	87	ˆ	151	97	—
104	68	h	120	78	x	136	88	‰	152	98	˜
105	69	i	121	79	y	137	89	Š	153	99	™
106	6A	j	122	7A	z	138	8A	‹	154	9A	š
107	6B	k	123	7B	{	139	8B	Œ	155	9B	œ
108	6C	l	124	7C			140	8C		156	9C
109	6D	m	125	7D	}	141	8D		157	9D	
110	6E	n	126	7E	~	142	8E	’	158	9E	“
111	6F	o				143	8F	”	159	9F	•

Cependant, à la vue de cette table, on remarque une chose : il n'y a que des symboles d'alphabets latins. Or, il n'existe pas uniquement les alphabets latins mais aussi le cyrillique ou bien les symboles des alphabets chinois ou japonais.

Pour se faire, on a besoin d'un codage permettant de représenter d'avantage de caractères.

Un système plus inclusif : Unicode

Unicode est un système de codage de caractère qui utilise un certain nombre de bits en fonction de sa version, plus connu sous le nom de UTF.

On utilise plus souvent le système UTF-8 qui utilise 8 bits pour représenter des caractères. Il peut cependant utiliser 1, 2 voire même 3 groupes de 8 bits (octets) pour représenter d'avantages de caractères.

Chaque symbole possède un point de code, qui est l'ensemble des bits permettant sa représentation, souvent représenté en hexadécimal.

On peut citer par exemple les caractères 풪 pour point de code 052A, A (a majuscule) pour point de code 41 ou encore ᛒ (lettre B runique) pour point de code 16D2.

Remarque : Python utilise l'encodage UTF-8 pour coder ses symboles et les représenter. Il est possible cependant d'observer un encodage spécial sur une chaîne de caractère en utilisant la méthode encode des chaînes de caractères.

On retrouvera la table UTF-8 à cette adresse : Table UTF-8.