Modul: Programmierung B-PRG Grundlagen der Programmierung 1 Teil 1 V5

Transkript

1 Modul: Programmierung B-PRG Grundlagen der Programmierung 1 Teil 1 V5 Zeichenketten, Strings und Listen Professur für Graphische Datenverarbeitung Institut für Informatik Fachbereich Informatik und Mathematik (12)

2 Rückblick Kodierung numerischer Datentypen Ganze Zahlen (Integer) als Dualzahlen Gleitkommazahlen (floating point numbers) Alternative Dezimalzahlendarstellungen Objekte in Python Elementare numerische Datentypen in Python Numerische Datentypen Operationen auf Zahlen Vergleichsoperatoren Ausdrücke 2

3 Unser heutiges Lernziel Zeichenketten als elementare Datentypen sollen verstanden werden - einschließlich ihrer Besonderheiten. 3

4 Übersicht Was ist Text? Welche Schriftarten existieren? Was sind Zeichenketten? Was sind Zeichensätze? Wie werden diese im Computer codiert? 4

5 Text = geschriebene Sprache (im engeren Sinne) kommt von lat. textus = Gewebe Geflecht Stoff 5

6 Funktionale Verbindung zwischen Text und Gewebe Text Semantisches Netzwerk linear-temporäre Aneinanderreihung von Zeichen und Worten kann in eine semantische Netzwerkrepräsentation transformiert werden => Text verstrickt und verflechtet Objekte und Akteure (Knoten) miteinander. 6

7 Mythologische Verbindung zwischen Gewebe und Text Über die 3 Parzen (lat.), 3 Moiren (griech.), 3 Nornen (germ.) bzw. 3 Raunende (nord.) z.b. Griechische Mythologie: Klotho (Faden-Spinnerin), Lachesis (Erzählende) und Atropos (Faden-Schneiderin) weben zusammen den roten Faden des Schicksals zur Lebensgeschichte. z.b. Germanische Mythologie: Urd (Vergangenheit), Verdandi (Gegenwart) und Skuld (Zukunft) stricken Schicksalsfäden und -gewebe. Sie benutzen Buchen-Stäbe (Buchstaben) und werfen es auf dieses Stück Stoff, um Schicksal vorherzubestimmen. 7

8 Darstellung des Textes benötigt eine Schrift, deren Zeichen wahlweise Phoneme Silben Wörter bzw. Begriffe kodieren. 8

9 Klassifikation der Schriften Alphabetschrift Silbenschrift Logogramme Zeichen ~ Laut Zeichen ~ Silbe Zeichen ~ Wort, Aussage, Anweisung 9

10 Alphabetschrift Alphabet (von gr. αλφάβητο [alfáwito] - Alpha & Beta) Beispiele: Lateinische Schriften: Den største skriften IPA-Lautschrift: [alfáwito] Kyrillisch: Ду бист кайн Весси! Griechische Schrift: αλφάβητο Tengwar, Sindarin, Elfisch... : 10

11 Silbenschrift Beispiele: Cherokee (siehe rechts) Kyprisch Linear B Akkadische Keilschrift 11

12 Wortbildschrift, Logogrammschrift Beispiele: Hanzi (chinesisch siehe rechts) Hanja (koreanisch) Maja-Schrift Jurjen Tangut 12

13 Sonderformen der Logogramme Ziffernsysteme & Symbolik der Mathematik Piktogramme 13

14 Klassifikation der Schriften (Besonderheiten) Hybride Systeme z.b. Japanisch = Kombination aus Silbenschrift (Hiragana, Katagana) und Logogrammschrift (Kanji) Modifizierte Alphabetschriften z.b. Arabisch (codiert i.d.r. nur Konsonanten und lange Vokale) 14

15 Schriftsysteme der Welt 15

16 Begriff: Alphabet in der Informatik Ist in der Informatik weiter gefasst als in der Lingustik Unter Alphabet versteht man (z.b. nach DIN 44300) eine total geordnete endliche Menge (oft nichtleere endliche Menge) von unterscheidbaren Symbolen (Zeichen). Häufig Σ als Zeichen 16

17 Begriff: Zeichenreihe Zeichenreihen = endliche lineare Reihen von Zeichen eines Alphabets Σ Übrigens: Auch die Zeichenreihe, die keine Zeichen enthält, ist ein Wort - das leere Wort. Es wird mit ε bezeichnet. 17

18 Begriff: Kleensche Hülle Unter der Kleeneschen Hülle Σ* versteht man die Menge aller Wörter (i.d.f. Zeichenreihen) über dem Alphabet Σ. 18

19 Beispiel Dezimalsystem: Σ = { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9 } Σ* = { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14,... } 19

20 Begriff: Zeichensatz Die Zuordnung von alphanumerischen Zeichen (Buchstaben und Ziffern) sowie Sonderzeichen zu einem Zahlencode. Beispiele: ASCII (meist verwendet) IBM EBCDIC (verliert an Bedeutung) 20

21 Problematik Zeichensatz früher nur 7 oder 8 Bit für ein Zeichen verwendet => Unzählige nationale Varianten z.b. Umlaute und scharfes S im Deutschen Lösungsversuch: Unicode mit 16 Bit 21

22 Begriff: Schriftart Synonyme: font, typeface Bekannte Schriftarten: Arial Times New Roman Frutiger light Courier New Impact Century Gothic 22

23 Proportionale vs. Nicht-proportionale Schriften Nichtproportionale Schriften (fixe Typenbreite) (Courier New, Lucida Console,...) Proportionale Schriften (veränderliche Typenbreite) (Arial, Times, Frutiger,..) 23

24 Grotesk vs. Antiqua Grotesten-Schriften (ohne Serifen) (Arial, Frutiger, Lucida Console,...) Antiqua-Schriften (mit Serifen) (Times, Courier New,..) 24

25 Internationale Zeichensätze ASCII Einer der ältesten Computer- Zeichensätze 7 Bit 1963 Sehr weit verbreitet, (Programmiersprac hen, Internet- Adressen, etc.) ISO/IEC 8859 Unicode ISO/IEC verschiedenen Kodierungen zur Abdeckung europäischer Sprachen sowie arabisch, hebräisch, thailändisch und türkisch Internationaler Standard (7) 8, 16 oder 32 Bit 1986 u.a. in Linux und MS Windows verwendet nimmt an Bedeutung stark zu 25

26 ISO 646 Nationale 7 Bit Varianten der ASCII Codierung IA5 (Internationales Alphabet Nr. 5) Für die nationalen Versionen sind 12 Positionen im Zeichensatz für national definierte Zeichen freigegeben. Die deutsche Variante ist in DIN festgelegt und ist als Variante 21 registriert veraltet 26

27 Weitere nationale Zeichensätze ARMSCII Armenisch Big5 Chinesisch (Taiwan) Guojia BiaozhunZeichensatz für vereinfachte chinesische Schriftzeichen HKSCS Chinesisch (Hong Kong) ISCII Alle indischen Sprachen KOI8-R Russisch KOI8-U Ukrainisch TIS-620 Thailändisch, ähnlich ISO (1990) TSCII Tamil VISCII Vietnamesisch SJIS Japanisch, entworfen von Microsoft EUC Extended UNIX Coding Mehrere ostasiatische Sprachen 27

28 Proprietäre Zeichensätze von Computerfirmen EBCDIC Von IBM entwickelter Zeichensatz MacRoman, MacCyrillic Windows- und DOS-Codepages für Apple Mac Computer vor Mac OS X (seit OS X wird Unicode verwendet) Windows-1252; MS-DOS Codepage 437, Codepage 850 Windows Glyph List 4 28

29 ASCII genauer unter die Lupe genommen American Standard Code for Information Interchange Entwickelt von: 1963 als 6-Bit-Code (ohne Kleinbuchstaben) von Bob Bemer Eingeführt

30 ASCII genauer unter die Lupe genommen ASCII Cod A B C D E F e 0 NUL SOH STX ETX EOT ENQ ACK BEL BS HT LF VT FF CR SO SI 1 DLE DC1 DC2 DC3 DC4 NAK SYN ETB CAN EM SUB ESC FS GS RS US 2 SP! " # $ % & ' ( ) * +, -. / : ; < = >? A B C D E F G H I J K L M N O 5 P Q R S T U V W X Y Z [ \ ] ^ _ 6 ` a b c d e f g h i j k l m n o 7 p q r s t u v w x y z { } ~ DEL 30

31 ASCII-Anekdote APPLE ÜÄ 31

32 ASCII-Anekdote APPLE ÅÆ 32

33 ASCII genauer unter die Lupe genommen Problem: ASCII enthält keine diakritischen Zeichen! 1972 Einführung von ISO 646-IRV Internationale Kompatibilitätsprobleme APPLE ÜÄ APPLE ][ APPLE ÅÆ APPLE ÕÃ 33

34 ASCII genauer unter die Lupe genommen (ISO 646-IRV) B 5C 5D 5E 60 7B 7C 7D 7E ISO 646-IRV [ \ ] ^ ` { } ~ Deutschland # $ Ä Ö Ü ^ ` ä ö ü ß Schweiz ù $ à é Ç ê î ô ä ö ü û USA (ASCII) # [ \ ] ^ ` { } ~ UK [ \ ] ^ ` { } ~ Frankreich $ à Ç ^ ` é ù é Kanada # $ à â Ç ê î ô é ù é û Finnland # Ä Ö Å Ü é ä ö å ü Norwegen # Æ Ø Å ^ ` æ ø å ~ Schweden # $ É Ä Ö Å Ü é ä ö å ü Italien $ Ç é ^ ù à ò ù ì Niederlande $ ¾ ÿ ½ ^ ` ƒ ¼ Spanien $ Ñ ^ ` ñ ç ~ Portugal # Ã Ç Õ ^ ` ã ç õ ~ 34

35 ASCII genauer unter die Lupe genommen Internationale Kompatibilitätsprobleme Proprietäre 8-Bit Formate Codepage 473 (IBM-PC unter MS-DOS) Auch heute noch bei Eingabeaufforderungs-Fenstern unter Windows 35

36 ISO IEC Bit-Zeichensatz aufbauend auf ASCII (erste 7 Bits) Halbherzig => Wieder mehrere Varianten (z.b. ISO für westeuropäische Länder) => 15 verschiedene Zeichensätze (1 bis 16 ohne 12) 36

37 ISO IEC Latin-1 Westeuropäisch -2 Latin-2 Osteuropäisch -3 Latin-3 Südeuropäisch -4 Latin-4 Baltisch -5 Kyrillisch -6 Arabisch -7 Griechisch -8 Hebräisch -9 Latin-5 Türkisch -10 Latin-6 Nordisch -11 Thai -13 Latin-7 Baltisch -14 Latin-8 Keltisch -15 Latin-9 Westeuropäisch -16 Latin-10 Südosteuropäisch Veränderung an 8 Positionen (u.a. -Zeichen) 37

38 Unicode - Identisch mit Universal Character Set (UCS nach ISO 10646) - 42 Bit / Zeichen => über vier Milliarden Möglichkeiten - Aber nur ~1 Million prinzipiell erlaubte Code-Werte - Unicode provides a unique number for every character, no matter what the platform, no matter what the program, no matter what the language. 38

39 Unicode - Die Codes von Unicode-Zeichen werden hexadezimal mit vorangestelltem U+ notiert. - ursprünglich Zeichen (UCS-2, 16 Bit) - In Version 2.0 wurde der Codebereich um weitere 16 gleichgroße Bereiche, sogenannte Planes erweitert. Somit sind nun maximal ( ) Zeichen bzw. Codepoints (=eindeutige Zeichennummer )im Codebereich von U bis U+10FFFF vorgesehen (UCS-4, 32 Bit). - Bislang, in Unicode 4.0, sind bisher Codes individuellen Zeichen zugeordnet. Das entspricht nur etwa erst 9% des Coderaumes. 39

40 Unicode - Die Codes von Unicode-Zeichen werden hexadezimal mit vorangestelltem U+ notiert. - ursprünglich Zeichen (UCS-2, 16 Bit) - In Version 2.0 wurde der Codebereich um weitere 16 gleichgroße Bereiche, sogenannte Planes erweitert. Somit sind nun maximal ( ) Zeichen bzw. Codepoints (=eindeutige Zeichennummer )im Codebereich von U bis U+10FFFF vorgesehen (UCS-4, 32 Bit). - Bislang, in Unicode 4.0, sind bisher Codes individuellen Zeichen zugeordnet. Das entspricht nur etwa erst 9% des Coderaumes. 40

41 Unicode Transformation Format (UTF), 256 Variation Selectors für Glyphenvarianten (Fraktur, Handschrift, Antiqua, etc.) Für die unteren 256 Zeichen die weit verbreitete ISO Kodierung (Latin1) beibehalten 41

42 Erstellen von Unicode-Zeichen Beispiel Suche in entsprechender Tabelle (hier: Mathematische Symbole) => hexadezimale Zeichennummer Python: Voranstellen von \uhhhh (vier Hexadezimale Ziffern ( ) in Python hier \u2295 HTML oder XML: Die Zeichennummer kann auch dezimal, dann ohne führendes x, angegeben werden, zum Beispiel für das gleiche Zeichen. 42

43 Erstellen von Unicode-Zeichen Die Text Encoding Initiative TEI hat Empfehlungen erarbeitet, Unicode in XML-Dateien in leichter verständlicher Form einzugeben. Hier handelt es sich um einen Satz benannter Zeichen (engl.: named entites), der in das Stylesheet integriert wird. Allgemein übliche benannte Zeichen sind z.b. die Umlaute wie Ä statt Ä" für Ä. 43

44 Zeichenketten in Python Python implementiert zwei verschiedene Basis-Typen für Zeichenketten (strings): Strings (8-Bit, ein Oktett, ein Byte) Unicode-Strings (variable Codelänge von 8-32 Bits) 44

45 Zeichenketten in Python Strings können in einfachen, doppelten oder dreifachen Anführungszeichen geschrieben werden => Unterschiede 45

46 Zeichenketten in Python >>> "Hello World "Hello World >>> 'Python ist toll! 'Python ist toll! >>> """Python ist toll!"" >>> print _ Python ist toll! >>>'Python ist toll!' SyntaxError: EOL while scanning single-quoted string 46

47 Zeichenketten in Python >>> 'Python ist \ toll! 'Python ist toll! \(Backslash) verlängert die physische Zeile zu einer logischen Zeile. >>> """Auch Möchtegerne müssen 0,00 für Python bezahlen"" 'Auch M\xf6chtegerne m\xfcssen 0,00\x80 f\xfcr Python bezahlen >>> print _ Auch Möchtegerne müssen 0,00 für Python bezahlen 47

48 Zeichenketten in Python Strings sind Zeichen-Sequenzen, die mit ganzen Zahlen, beginnend bei Null, indiziert werden. Um auf ein einzelnes Zeichen davon zuzugreifen, verwendet man den Index-Operator s[ i ] wie folgt: a = "Hello World" b = a[4] # b = 'o' 48

49 Zeichenketten in Python Um einen Teilstring zu erhalten, benutzt man den Teilbereichsoperator (engl. slice) s[i:j]. Dieser extrahiert alle Elemente von s, deren Index k im Intervall i <= k < j liegt. Falls einer der beiden Indizes weggelassen wird, so wird entweder der Anfang oder das Ende des Strings angenommen: a = Hello World c = a[0:5] # c = "Hello" d = a[6:] # d = "World" e = a[3:8] # e = "lo Wo" 49

50 Zusammenfassung Jetzt müssen Sie üben, direkt mit dem Interpreter! 50

51 Anmerkung zur Übung Aufgabe 3.2.C Statt x*log 10 (4) 10 x+log 10 (4) 10 51

52 Fragen und (hoffentlich) Antworten 52

53 Ausblick Zeichenketten in Listen Listen Listenoperatoren u.v.m. Danke für Ihre Aufmerksamkeit 53