16 - Représentation des textes

Les exercices se font dans Thonny, dans le fichier 16_representation_des_textes.py.

Cours associé : 06 - Textes .

Exercice 1 : QCM – vérification des prérequis

Pour chaque question, une seule réponse est correcte.

1. En ASCII, combien de caractères différents peut-on coder ?

• A. 26 (les lettres de l’alphabet)
• B. 128
• C. 256
• D. Plus d’un million

Correction publiée après la séance.

2. En ASCII, le code de 'A' est 65 et celui de 'a' est 97. Quel est le code de 'C' ?

• A. 66
• B. 67
• C. 99
• D. 68

Correction publiée après la séance.

3. Pourquoi a-t-on créé Unicode ?

• A. Pour remplacer le binaire par l’hexadécimal
• B. Pour pouvoir représenter les caractères de toutes les langues du monde
• C. Pour compresser les fichiers texte
• D. Pour accélérer l’affichage des pages Web

Correction publiée après la séance.

4. En UTF-8, un caractère ASCII standard (comme 'A') est codé sur :

• A. 1 octet
• B. 2 octets
• C. 3 octets
• D. 4 octets

Correction publiée après la séance.

Exercice 2 : encodage d’un mot en ASCII

On veut encoder le mot NSI en ASCII.

1. À l’aide de la table ASCII du cours, recopier et compléter le tableau. La première ligne est donnée.

2. Écrire la suite des trois octets qui code le mot « NSI ».

   Indice

   Mettre bout à bout les codes binaires sur 8 bits des trois lettres, dans l’ordre du mot, en les séparant par une espace.

3. Vérifier avec Python : ord("S") donne le code décimal de S, hex(ord("S")) son code hexadécimal et bin(ord("S")) son code binaire.

   Indice

   hex et bin écrivent 0x ou 0b devant le code et n’affichent pas les zéros de tête : 0b1010011 correspond à 01010011.

Correction publiée après la séance.

Exercice 3 : encodage guidé

3.1 Encoder en ASCII

Compléter le tableau pour le mot Bye :

Indication : 'A' = 65, 'a' = 97, les lettres se suivent dans l’ordre alphabétique.

Correction publiée après la séance.

3.2 Décoder un message ASCII

Décoder le message suivant (codes ASCII décimaux) : 72 101 108 108 111.

Indication : procéder caractère par caractère en utilisant la table ASCII.

Correction publiée après la séance.

Exercice 4 : encodage et décodage autonomes

1. Encoder en ASCII binaire (huit bits par caractère) la phrase : Le but.

   Indice

   Il y a six caractères à coder, l’espace compris, dont le code ASCII est 32. Pour chacun, trouver le code décimal, puis l’écrire en binaire sur huit bits en complétant à gauche par des 0.

2. Décoder le message ASCII binaire suivant : 01000010 01110010 01100001 01110110 01101111

   Indice

   Convertir chaque octet en décimal en additionnant les poids des bits à 1 (128, 64, 32, 16, 8, 4, 2, 1), puis retrouver la lettre dans la table ASCII, ou avec chr(...) en Python.

3. En Python, écrire une fonction encoder(texte) qui prend une chaîne et renvoie la liste des codes ASCII (entiers).

   Indice

   Partir d’une liste vide, parcourir la chaîne caractère par caractère et ajouter ord(c) à la liste.

   Code à copier puis compléter

   def encoder(texte):
       codes = []
       for c in texte:
           codes.append(...)
       return codes
   

Correction publiée après la séance.

Exercice 5 : ASCII et propriétés numériques

1. En ASCII, quel est l’écart entre le code d’une lettre majuscule et le code de la même lettre minuscule ? (Tester avec quelques lettres.)

   Indice

   Afficher ord('a') - ord('A'), puis faire de même avec d’autres lettres : l’écart change-t-il ?

2. En déduire une fonction Python majuscule(c) qui transforme une lettre minuscule en majuscule sans utiliser la méthode .upper().

   Indice

   Passer par les codes : ord(c) donne le code de la minuscule, on lui retire l’écart trouvé à la question 1, puis chr(...) redonne le caractère.

3. En ASCII, le caractère '0' a le code 48. Écrire une fonction chiffre_vers_entier(c) qui convertit un caractère chiffre ('0' à '9') en l’entier correspondant, sans utiliser int().

   Indice

   Les chiffres '0' à '9' ont des codes consécutifs, de 48 à 57 : de combien le code de '7' dépasse-t-il celui de '0' ?

Correction publiée après la séance.

Exercice 6 : UTF-8 et caractères accentués

1. En Python, comparer len('café') et len('café'.encode('utf-8')). Expliquer la différence.

   Indice

   len('café') compte des caractères, alors que .encode('utf-8') produit des octets : quel caractère de café occupe plus d’un octet ?

2. Le caractère 'é' a le point de code Unicode U+00E9 ($= 233_{10}$). Combien d’octets UTF-8 sont nécessaires pour le coder ? (Rappel : 0 à 127 → un octet ; 128 à 2047 → deux octets.)

   Indice

   Situer 233 dans les intervalles du rappel.

3. L’emoji 🎓 a le point de code U+1F393. Combien d’octets UTF-8 sont nécessaires ?

   Indice

   Comparer U+1F393 aux intervalles du tableau UTF-8 du cours : de U+0800 à U+FFFF, trois octets ; de U+10000 à U+10FFFF, quatre octets. Le programme ci-dessous permet de vérifier.

print(len('café'))
print(len('café'.encode('utf-8')))
print('🎓'.encode('utf-8'))

Correction publiée après la séance.

Exercice 7 : synthèse – message secret multilangue

Un site Web affiche des caractères incorrects (des é au lieu de é). Ce problème s’appelle un mojibake.

1. Expliquer pourquoi ce problème se produit (indice : le fichier est encodé dans un format mais lu dans un autre).

   Indice

   En UTF-8, é occupe deux octets. Un logiciel qui lit le fichier en Latin-1 prend chaque octet pour un caractère : combien de caractères affiche-t-il à la place de é ?

2. En Python, simuler le problème : exécuter le programme suivant, qui encode la chaîne 'été' en UTF-8, puis la décode en Latin-1 ('iso-8859-1'). Qu’obtient-on ?

   texte = 'été'
   octets = texte.encode('utf-8')
   print(octets.decode('iso-8859-1'))
   

   Indice

   texte.encode('utf-8') donne les octets du texte, et octets.decode('iso-8859-1') les relit comme du Latin-1 : comparer le résultat affiché avec le texte de départ.

3. Comment corriger ce problème sur un site Web ? Quelle balise HTML faut-il vérifier ?

   Indice

   Le navigateur doit savoir dans quel encodage le fichier a été écrit. Quelle balise de la section <head> le lui indique ?

Correction publiée après la séance.