Chaîne de caractères

En informatique, une chaîne de caractères est une suite ordonnée de caractères. La chaîne de caractères est un type de donnée dans de nombreux langages informatiques. En anglais, on emploie le terme (en) string.

Dans les langages de programmation

La plupart des langages de programmation offrent une classe ou un type dédié à la représentation et à la manipulation des chaînes de caractères.

Langage	Type de donnée	Description
Python	str, unicode	A été modifié avec Python 3.0.
Java	java.lang.String	Depuis leur origine, les chaînes Java sont des chaînes Unicode.
C	char* et char[]	Le langage C n'a jamais connu de véritable type chaîne. Les chaînes de caractères sont couramment simulées par un pointeur sur une séquence de caractères mono-octets se terminant par un octet nul. Des bibliothèques existent pour gérer les chaînes, notamment pour pallier les limites des chaînes mono-octets.
C++	char* et char[], basic_string<> (string ou wstring)	Les templates du C++ définissent la classe std::string (chaînes à base de caractères mono-octets). Néanmoins, il est souvent nécessaire de manipuler les « chaînes de style C » pour pouvoir utiliser la bibliothèque standard du C++.
Pascal	String	Le type de donnée chaîne existe depuis longtemps en Pascal/Delphi. Toutefois, depuis l'apparition de Delphi, plusieurs types de chaines de caractères ont été ajoutés : AnsiString, UnicodeString et WideString.

Représentation numérique

Différentes techniques existent pour représenter des chaînes à l'aide d'octets. Elles nécessitent généralement de pouvoir représenter chaque caractère (encodage), mais aussi de marquer la fin de la chaîne.

La fin de la chaîne peut être connue à l'aide d'un caractère de fin de chaîne (en général 0, mais $ a également été utilisé sous MS-DOS^[1]), ou en stockant simultanément le nombre de caractères ou le nombre d'octets de la chaîne.

Chaque caractère est représenté par un nombre d'octets qui dépend du codage de caractères. En fonction de l'encodage utilisé, des limites pourront exister sur l'ensemble des caractères disponibles, les algorithmes de parcours de chaînes, l'interopérabilité et/ou des performances. En particulier, les codages à base de caractères mono-octets tels que les ASCII étendus, peuvent être plus performants, mais limitant et/ou contraignants dans un contexte d'internationalisation et/ou d'interopérabilité. Les autres encodages, comme UTF-8, présentent d'autres caractéristiques.

Représentation en mémoire

Dans une mémoire informatique, l'adresse mémoire du premier caractère est connu. Pour délimiter la fin de la chaîne, soit elle est terminée par un caractère de fin de chaîne (zéro binaire en langage C, et on parle alors d’ASCIIZ pour indiquer « terminé par un zéro »), soit le nombre de caractères est stocké en parallèle (BASIC, Pascal, PL/I). Dans certains langages orientés objet, le codage interne de la chaîne n'a pas besoin d'être connu (encapsulation).

FRANK en mémoire, délimité par un caractère nul F R A N K NUL k e f w 46 52 41 4E 4B 00 6B 65 66 77

FRANK en mémoire stocké avec la longueur length F R A N K k f f w 05 46 52 41 4E 4B 6B 66 66 77

Sucre syntaxique

La représentation d'une chaîne de caractères varie d'un système à un autre.

Pour représenter une chaîne de caractères dans un flux de caractères (comme un fichier texte, en particulier dans un code source), il est généralement nécessaire de marquer le début et la fin de la chaîne, et éventuellement d'utiliser des séquences d'échappement.

Généralement, pour représenter une chaîne de caractères, on l'entoure par une paire de caractères spéciaux, souvent des guillemets doubles. On notera par exemple "Wikipédia" pour désigner la chaîne composée des neuf caractères W, i, k, i, p, é, d, i et a.

Exemples :

• "Wikipedia"
• 'Cette phrase est une chaîne de caractères en langage Pascal qui utilise les apostrophes.'
• (Le langage Poanipule aussi des chaînes de caractères avec des parenthèses.)
• "" (Chaîne vide, de longueur zéro)
• ' ' (Chaîne contenant un seul caractère : un espace)

Pour pouvoir utiliser ces caractères spéciaux, il existe des conventions. Avec le langage Pascal, on double le guillemet simple pour pouvoir l'introduire dans la chaîne de caractères :

• 'Il s''agit d''un simple guillemet dans la chaîne de caractères.'

D'autres conventions utilisent un caractère d'échappement ; la barre oblique inversée est le caractère le plus utilisé. Pour les langages Java, C, C++ (et d'autres), on note \" pour introduire un guillemet double dans une chaîne de caractères :

• "Première solution pour contenir le délimiteur \", un caractère d'échappement"
• "Seconde solution pour contenir le délimiteur \\, le doublage du délimiteur"

Algorithmes

De nombreux algorithmes font partie de l'état de l'art pour traiter les chaînes, chacun pouvant connaître différentes formes. Quelques exemples de catégories de tels algorithmes :

• recherche de sous-chaîne(s) comme celui de Boyer-Moore ;
• recherche d'expressions rationnelles ;
• tri : tri en Unicode, classement alphabétique, classement alphabétique complexe ;
• analyse syntaxique d'une chaîne ;
• conversion (en Unicode, capitalisation, transcodages…).

Le programmeur n'a généralement plus à s'en préoccuper désormais (même s'il doit en connaître le principe), ces algorithmes étant directement inclus dans les primitives du langage.

Voir aussi

Sur les autres projets Wikimedia :

• « Chaîne de caractères », sur le Wiktionnaire (dictionnaire universel)

• Codage de caractères
• Expression rationnelle

Notes et références

1. ↑ http://www.ctyme.com/intr/rb-2562.htm