10. Текстовые данные ------------------------------------------------------------------

Определения и обозначения

Текстовые данные — информация, представленная последовательностью символов и предназначенная для чтения или обработки. Это могут быть сообщение, подпись к фотографии или текстовый документ. Такое понятие помогает отличать текст от других видов данных, например изображения или звука. Компьютеру текст нужен для хранения, поиска, передачи и изменения информации.

Символ — отдельный элемент текста: буква, цифра, знак препинания, пробел или другой знак. Например, в записи «Привет!» есть буквы и восклицательный знак, и каждый из них считается отдельным символом. Пробел между словами тоже входит в последовательность. Понятие символа необходимо, чтобы правильно считать текст и объяснять, как компьютер его сохраняет.

Алфавит — конечный набор символов, используемых для записи текста. В алфавит могут входить буквы, цифры, знаки препинания и специальные знаки. Если известен размер алфавита, можно определить, сколько вариантов нужно закодировать. Это помогает оценить, сколько двоичных разрядов потребуется для одного символа.

Кодирование текста — представление символов текста с помощью кодов, которые может хранить и обрабатывать компьютер. Код — это условное числовое обозначение символа, которое компьютер записывает в двоичном виде. Благодаря кодированию устройство может не только показывать текст, но и искать в нём слова или копировать его. Общие правила кодирования помогают разным программам одинаково понимать знаки.

Как это устроено

Текст образуется из символов, расположенных в определённом порядке. Порядок нужен, потому что перестановка знаков может изменить слово или сделать запись непонятной. Например, «кот» и «ток» состоят из одних и тех же букв, но обозначают разное. На содержание влияют и пробелы, и знаки препинания: они разделяют слова и помогают понять смысл фразы.

Чтобы сохранить текст, компьютер должен представить каждый его знак в форме, с которой умеет работать. Поэтому символам сопоставляют коды, а весь текст превращают в последовательность таких кодов. Компьютер записывает информацию двоичными разрядами — битами, которые принимают значения 0 или 1. При чтении программа использует таблицу соответствий и восстанавливает из кодов нужные символы.

Размер алфавита влияет на число возможных кодов. Один бит позволяет выбрать один из двух вариантов, два бита — один из четырёх, а n бит — один из 2ⁿ вариантов. Поэтому для алфавита из 32 символов нужно как минимум 5 бит: 2⁵ = 32. Если код должен иметь целое фиксированное число бит, выбирают наименьшее n, при котором 2ⁿ не меньше количества символов.

Программам и устройствам нужны общие правила, которые связывают коды с символами. Такую систему соответствий называют кодировкой. Если файл сохранён в одной кодировке, а программа открывает его, предполагая другую, одинаковые наборы бит могут быть поняты иначе. Из-за этого вместо букв возникают нечитаемые знаки, хотя сами данные в файле могли сохраниться без повреждений.

Количество символов и объём текста связаны, но это не одно и то же. Для оценки объёма нужно знать, сколько бит отводится на каждый символ и как устроено кодирование. Например, при одинаковом количестве символов файл с большим числом бит на знак может занимать больше места. Поэтому нельзя определить точный размер текстового файла, зная только длину текста.

Понятия и представление текстовых данных

Сначала найдите в таблице нужное понятие, затем прочитайте его значение и пример. Так можно проверить, чем сам текст отличается от набора символов, и что именно делает кодировка. При решении задач об объёме дополнительно выясните, сколько бит отводится на один символ.

Разбор задач

Задача 1. Посчитайте количество символов в строке «Мир, дом!», учитывая пробелы и знаки препинания. Считать следует все отдельные элементы, включая запятую, пробел и восклицательный знак. Удобно двигаться по строке слева направо и отмечать каждый знак один раз. Тогда ничто не потеряется при подсчёте.

1. Запишем символы строки по порядку: М, и, р, запятая, пробел, д, о, м, восклицательный знак. Получилось девять отдельных элементов. Каждая буква и каждый знак дают по одному символу.
2. Проверим, что пробел учтён между запятой и буквой «д». Запятая и восклицательный знак тоже вошли в подсчёт. Повторно ничего не считаем.

Ответ: 9 символов. При подсчёте строку рассматривают как последовательность всех знаков, а не только букв.

Задача 2. В алфавите 32 символа; требуется найти минимальное число бит для кодирования одного символа фиксированной длиной. Не нужно приравнивать количество символов к количеству бит. Вместо этого проверим, сколько разных вариантов можно представить каждым числом разрядов. Выберем наименьшее число разрядов, вариантов в котором хватит для всего алфавита.

1. При n битах существует 2ⁿ различных комбинаций. Сравним соседние степени двойки: 2⁴ = 16, а 2⁵ = 32. Четырёх разрядов недостаточно, потому что ими нельзя различить все 32 символа.
2. Пять разрядов дают ровно 32 комбинации. Значит, все символы можно закодировать, и меньшее число бит не подойдёт. Это и есть минимальная длина кода для заданного алфавита.

Ответ: 5 бит на символ. Проверка через степени двойки показывает, что 2⁵ не меньше размера алфавита, а 2⁴ уже меньше него.

Задача 3. Текст содержит 120 символов, на каждый выделено 8 бит. Нужно найти объём в байтах. Условие сообщает одинаковый размер кода для всех знаков, поэтому можно перемножить число символов и число бит на знак. Затем результат переводят в байты, помня, что в одном байте 8 бит.

1. Найдём общий объём в битах: 120 × 8 = 960 бит. Здесь каждый из 120 символов занимает по 8 бит. Единицы пока оставляем в битах.
2. Переведём биты в байты: 960 ÷ 8 = 120 байт. Деление на 8 нужно, потому что байт состоит из восьми бит. Условие не сообщает о дополнительных данных файла, поэтому вычисляем объём только по заданному кодированию символов.

Ответ: 120 байт. Полезно проверить вычисление в обратном порядке: 120 байт — это 960 бит, что соответствует 120 символам по 8 бит.

Типичные ошибки

Первая ошибка — не учитывать пробелы при подсчёте символов. Пробел иногда воспринимают как промежуток между элементами, а не как знак, хотя в текстовой последовательности он занимает своё место. Для проверки прочитайте строку по одному элементу, не пропуская пустое расстояние между словами. Если заменить пробел другим знаком, количество символов не изменится.

Вторая ошибка — считать, что число символов алфавита равно числу бит на символ. Путают количество объектов, которые нужно различать, с количеством двоичных разрядов, задающих комбинации. Проверьте результат через степени двойки: должно выполняться 2ⁿ ≥ N, где N — размер алфавита. При этом убедитесь, что число n выбрано минимальным.

Третья ошибка — путать длину текста с объёмом файла. Число символов показывает, сколько знаков записано, а объём зависит ещё и от того, сколько бит занимает каждый знак. Перед вычислением найдите в условии размер кода одного символа, а после вычислений укажите единицы измерения. Без сведений о кодировании точный объём определить нельзя.

Четвёртая ошибка — предполагать, что символ с одним кодом всегда одинаково выглядит при любой кодировке. При открытии файла программа может прочитать коды по другой таблице и показать не те знаки. Если текст стал нечитаемым после переноса или открытия, проверьте кодировку файла и выбранные настройки программы. Не делайте вывод, что исходный текст обязательно был испорчен.

Связь с другими темами

Для понимания кодирования текста нужно знать, как информация представляется в двоичном виде. Также важно различать бит и байт: бит — минимальная единица двоичной информации, а байт состоит из 8 бит. Эти знания позволяют находить объём текста и переводить результат в удобные единицы. Без них нельзя правильно решить задачу, где размер символа задан в битах, а ответ требуется в байтах.

Знание о текстовых данных пригодится при работе с текстовыми редакторами и файлами. Кодировка имеет значение при сохранении, передаче и открытии документов на разных устройствах. Подсчёт символов и вычисление объёма помогают оценивать, сколько места занимает текст. Позже эти представления используются при изучении кодировок и хранения информации.

Что запомнить

• Текст — упорядоченная последовательность символов.
• Пробелы и знаки препинания тоже являются символами.
• Алфавит — набор символов, используемых для записи текста.
• Компьютер хранит символы в виде кодов.
• Один и тот же текст может занимать разный объём при разных способах кодирования.