449 lines
11 KiB
Org Mode
449 lines
11 KiB
Org Mode
|
||
* Język — różne perspektywy
|
||
** Słowo wstępne
|
||
|
||
W matematyce istnieją dwa spojrzenia na rzeczywistość: ciągłe i dyskretne.
|
||
|
||
Otaczająca nas rzeczywistość fizyczna jest z natury ciągła
|
||
(przynajmniej jeśli nie operujemy w mikroskali), lecz język
|
||
jest dyskretnym wyłomem w ciągłej rzeczywistości.
|
||
|
||
** Lingwistyka matematyczna
|
||
|
||
Przypomnijmy sobie definicję języka przyjętą w lingwistyce
|
||
matematycznej, w kontekście na przykład teorii automatów.
|
||
|
||
**Alfabetem** nazywamy skończony zbiór symboli.
|
||
|
||
**Łańcuchem** nad alfabetem $\Sigma$ nazywamy dowolny, skończony,
|
||
ciąg złożony z symboli z $\Sigma$.
|
||
|
||
**Językiem** nazywamy dowolny, skończony bądź nieskończony, zbiór łańcuchów.
|
||
|
||
W tym formalnym ujęciu językami są na przykład następujące zbiory:
|
||
|
||
- $\{\mathit{poniedziałek},\mathit{wtorek},\mathit{środa},\mathit{czwartek},\mathit{piątek},\mathit{sobota},\mathit{niedziela}\}$
|
||
- $\{\mathit{ab},\mathit{abb},\mathit{abbb},\mathit{abbbb},\ldots\}$
|
||
|
||
To podejście, z jednej strony oczywiście nie do końca się pokrywa się z potocznym
|
||
rozumieniem słowa /język/, z drugiej kojarzy nam się z takimi
|
||
narzędziami informatyki jak wyrażenia regularne, automaty skończenie
|
||
stanowe czy gramatyki języków programowania.
|
||
|
||
#+BEGIN_SRC ipython :session mysession :exports both :results raw drawer
|
||
import regex as re
|
||
rx = re.compile(r'ab+')
|
||
|
||
rx.search('żabbba').group(0)
|
||
#+END_SRC
|
||
|
||
#+RESULTS:
|
||
:results:
|
||
abbb
|
||
:end:
|
||
|
||
#+BEGIN_SRC ipython :session mysession :exports both :results raw drawer
|
||
import rstr
|
||
|
||
rstr.xeger(r'ab+')
|
||
#+END_SRC
|
||
|
||
#+RESULTS:
|
||
:results:
|
||
abbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbb
|
||
:end:
|
||
|
||
** Ujęcie probabilistyczne
|
||
|
||
Na tym wykładzie przyjmiemy inną perspektywą, częściowo ciągłą, opartą
|
||
na probabilistyce. Język będziemy definiować poprzez **rozkład
|
||
prawdopodobieństwa**: sensownym wypowiedziom czy tekstom będziemy
|
||
przypisywać stosunkowe wysokie prawdopodobieństwo, „ułomnym” tekstom — niższe (być może zerowe).
|
||
|
||
Na ogół nie mamy jednak do czynienia z językiem jako takim tylko z
|
||
jego przybliżeniami, **modelami** (model może być lepszy lub gorszy,
|
||
ale przynajmniej powinien być użyteczny…). Formalnie $M$ nazywamy
|
||
modelem języka (nad skończonym alfabetem $\Sigma$), jeśli określa dyskretny rozkład prawdopodobieństwa $P_M$:
|
||
|
||
$$P_M \colon \Sigma^{*} \rightarrow [0,1].$$
|
||
|
||
Rzecz jasna, skoro mamy do czynienia z rozkładem prawdopodobieństwa, to:
|
||
|
||
$$\sum_{\alpha \in \Sigma^{*}} P_M(\alpha) = 1.$$
|
||
|
||
Jeśli $M$ ma być modelem języka polskiego, oczekiwalibyśmy, że dla
|
||
napisów:
|
||
|
||
- $z_1$ — /W tym stanie rzeczy pan Ignacy coraz częściej myślał o Wokulskim./
|
||
- $z_2$ — /Po wypełniony zbiornik pełny i należne kwotę, usłyszała w attendant/
|
||
- $z_3$ — /xxxxyźźźźźit backspace hoooooooooop x y z/
|
||
|
||
zachodzić będzie:
|
||
|
||
\[ P_M(z_1) > P_M(z_2) > P_M(z_3). \]
|
||
|
||
**Pytanie** Jakiej konkretnie wartości prawdopodobieństwa
|
||
spodziewalibyśmy się dla zdania /Dzisiaj rano kupiłem w piekarni sześć
|
||
bułek/ dla sensownego modelu języka polskiego?
|
||
|
||
Moglibyśmy sprowadzić tę definicję języka do tej „dyskretnej”, tzn.
|
||
moglibyśmy przyjąć, że łańcuch $\alpha$ należy do języka wyznaczonego
|
||
przez model $M$, jeśli $P_M(\alpha) > 0$.
|
||
|
||
**Pytanie** Czy moglibyśmy w ten sposób opisać język nieskończony? Czy może istnieć
|
||
dyskretny rozkład prawdopodobieństwa dla nieskończonego zbioru?
|
||
|
||
** Co jest symbolem?
|
||
|
||
Model języka daje rozkład prawdopodobieństwa nad zbiorem łańcuchów
|
||
opartym na skończonym alfabecie, tj. zbiorze symboli. W praktyce
|
||
alfabet nie musi być zgodny z potocznym czy językoznawczym rozumieniem
|
||
tego słowa. To znaczy alfabet może być zbiorem znaków (liter), ale
|
||
modelować język możemy też przyjmując inny typ symboli: sylaby,
|
||
morfemy (cząstki wyrazów) czy po prostu całe wyrazy.
|
||
|
||
Powinniśmy przy tym pamiętać, że, koniec końców, w pamięci komputera
|
||
wszelkiego rodzaju łańcuchy są zapisywane jako ciągi zer i jedynek — bitów.
|
||
Omówmy pokrótce techniczną stronę modelowania języka.
|
||
|
||
* Kodowanie znaków
|
||
|
||
** Cóż może być prostszego od pliku tekstowego?
|
||
|
||
#+BEGIN_EXAMPLE
|
||
Ala ma kota.
|
||
#+END_EXAMPLE
|
||
|
||
Komputer nic nie wie o literach.
|
||
|
||
… w rzeczywistości operuje tylko na liczbach …
|
||
|
||
… czy raczej na zerach i jedynkach …
|
||
|
||
… a tak naprawdę na ciągłym sygnale elektrycznym …
|
||
|
||
[[./01_Jezyk/digitalsignal.jpg]]
|
||
|
||
… zera i jedynki są w naszej głowie …
|
||
|
||
… co jest dziwne, /naprawdę/ dziwne …
|
||
|
||
… ale nikt normalny się tym nie przejmuje.
|
||
|
||
** Jak zakodować literę?
|
||
|
||
Zakodowanie pikseli składających się na kształtu (**glyfu**) litery A
|
||
/oczywiście/ nie jest dobrym pomysłem.
|
||
|
||
[[./01_Jezyk/raster.png]]
|
||
|
||
Nie, potrzebujemy /arbitralnego/ kodowania dla wszystkich możliwych
|
||
kształtów litery A (/w naszych głowach/): A, $\mathcal{A}$,
|
||
$\mathbb{A}$, $\mathfrak{A}$ powinny otrzymać ten sam kod, powiedzmy 65
|
||
(binarnie: 1000001).
|
||
|
||
** ASCII
|
||
|
||
ASCII to 7-bitowy (**nie** 8-bitowy!) system kodowania znaków.
|
||
|
||
#+BEGIN_SRC ipython :session mysession :exports both :results output drawer
|
||
for code in range(0, 128):
|
||
print(f'{code}: {chr(code)}')
|
||
#+END_SRC
|
||
|
||
#+RESULTS:
|
||
:results:
|
||
0:
|
||
1:
|
||
2:
|
||
3:
|
||
4:
|
||
5:
|
||
6:
|
||
7:
|
||
8:
|
||
9:
|
||
10:
|
||
|
||
11:
|
||
12:
|
||
13:
|
||
14:
|
||
15:
|
||
16:
|
||
17:
|
||
18:
|
||
19:
|
||
20:
|
||
21:
|
||
22:
|
||
23:
|
||
24:
|
||
25:
|
||
26:
|
||
27:
|
||
28:
|
||
29:
|
||
30:
|
||
31:
|
||
32:
|
||
33: !
|
||
34: "
|
||
35: #
|
||
36: $
|
||
37: %
|
||
38: &
|
||
39: '
|
||
40: (
|
||
41: )
|
||
42: *
|
||
43: +
|
||
44: ,
|
||
45: -
|
||
46: .
|
||
47: /
|
||
48: 0
|
||
49: 1
|
||
50: 2
|
||
51: 3
|
||
52: 4
|
||
53: 5
|
||
54: 6
|
||
55: 7
|
||
56: 8
|
||
57: 9
|
||
58: :
|
||
59: ;
|
||
60: <
|
||
61: =
|
||
62: >
|
||
63: ?
|
||
64: @
|
||
65: A
|
||
66: B
|
||
67: C
|
||
68: D
|
||
69: E
|
||
70: F
|
||
71: G
|
||
72: H
|
||
73: I
|
||
74: J
|
||
75: K
|
||
76: L
|
||
77: M
|
||
78: N
|
||
79: O
|
||
80: P
|
||
81: Q
|
||
82: R
|
||
83: S
|
||
84: T
|
||
85: U
|
||
86: V
|
||
87: W
|
||
88: X
|
||
89: Y
|
||
90: Z
|
||
91: [
|
||
92: \
|
||
93: ]
|
||
94: ^
|
||
95: _
|
||
96: `
|
||
97: a
|
||
98: b
|
||
99: c
|
||
100: d
|
||
101: e
|
||
102: f
|
||
103: g
|
||
104: h
|
||
105: i
|
||
106: j
|
||
107: k
|
||
108: l
|
||
109: m
|
||
110: n
|
||
111: o
|
||
112: p
|
||
113: q
|
||
114: r
|
||
115: s
|
||
116: t
|
||
117: u
|
||
118: v
|
||
119: w
|
||
120: x
|
||
121: y
|
||
122: z
|
||
123: {
|
||
124: |
|
||
125: }
|
||
126: ~
|
||
127:
|
||
:end:
|
||
|
||
** Jak zejść na poziom bitów?
|
||
|
||
*** Linux — wiersz poleceń
|
||
|
||
Linux command line:
|
||
|
||
#+BEGIN_EXAMPLE
|
||
$ echo 'Ala ma kota' > file.txt
|
||
$ hexdump -C file.txt
|
||
00000000 41 6c 61 20 6d 61 20 6b 6f 74 61 0a |Ala ma kota.|
|
||
0000000c
|
||
#+END_EXAMPLE
|
||
|
||
*** Edytor tekstu (Emacs)
|
||
|
||
[[./01_Jezyk/hexl-mode.png]]
|
||
|
||
*** Uwaga!
|
||
|
||
- kiedy dzieje się coś dziwnego, sprawdź, co tak /naprawdę/ jest w pliku
|
||
- ASCII jest 7-bitowym kodowaniem (128 znaków)
|
||
- choć zazwyczaj uzupełnionym (ang. /padded/) do 8 bitów
|
||
- nie mów plik /plik ASCII/, kiedy masz na myśli /prosty/czysty plik tekstowy/ (ang. /plain text file/)
|
||
|
||
** Higiena plików tekstowych
|
||
|
||
*** Piekło końca wiersza
|
||
|
||
[[./01_Jezyk/dante.jpg]]
|
||
|
||
Więcej na <https://re-research.pl/pl/post/2017-01-28-00042-anatomia-pliku-tekstowego-2.html>
|
||
|
||
*** Dobre rady
|
||
|
||
- żadnych niepotrzebnych spacji na końcu wiersza
|
||
|
||
- żadnych niepotrzebnych pustych wierszy na końcu pliku
|
||
|
||
- … ale ostatni wiersz powinien zakończyć się znakiem końca wiersza
|
||
|
||
- nie używać znaków tabulacji (zamiast tego 4 spacje)
|
||
- wyjątek: pliki TSV
|
||
- wyjątek: pliki Makefile
|
||
|
||
- uwaga na niestandardowe spacje i dziwne znaki o zerowej długości
|
||
|
||
** Unikod
|
||
|
||
ASCII obejmuje 128 znaków: litery alfabetu łacińskiego (właściwie angielskiego),
|
||
cyfry, znaki interpunkcyjne, znaki specjalne itd.
|
||
|
||
Co z pozostałymi znakami? Polskimi ogonkami, czeskimi haczykami,
|
||
francuskimi akcentami, cyrylicą, koreańskim alfabetem, chińskimi
|
||
znakami, rongorongo?
|
||
|
||
워싱턴, 부산, 삼성
|
||
|
||
Rozwiązaniem jest Unikod (ang. /Unicode/) system, który przypisuje
|
||
znakom używanym przez ludzkość liczby (kody, ang. /code points/).
|
||
|
||
| Znak | Kod ASCII | Kod Unikodowy |
|
||
|--------+-----------+---------------|
|
||
| 9 | 57 | 57 |
|
||
| a | 97 | 97 |
|
||
| ą | - | 261 |
|
||
| ł | - | 322 |
|
||
|$\aleph$| - | 1488 |
|
||
|ặ | - | 7861 |
|
||
|☣ | - | 9763 |
|
||
|😇 | - | 128519 |
|
||
|
||
** UTF-8
|
||
|
||
Kody znaków są pojęciem abstrakcyjnym. Potrzebujemy konkretnego **kodowania**
|
||
by zamienić kody w sekwencję bajtów. Najpopularniejszym kodowaniem jest UTF-8.
|
||
|
||
W kodowaniu UTF-8 znaki zapisywane za pomocą 1, 2, 3 lub 4 bajtów.
|
||
|
||
| Znak | Kod Unikodowy | Szesnastkowo | UTF-8 (binarnie) |
|
||
|--------+---------------+--------------+--------------------------------------|
|
||
| 9 | 57 | U+0049 | 01001001 |
|
||
| a | 97 | U+0061 | 01100001 |
|
||
| ą | 261 | U+0105 | 11000100:10000101 |
|
||
| ł | 322 | U+0142 | 11000101:10000010 |
|
||
|$\aleph$| 1488 | U+05D0 | 11010111:10010000 |
|
||
|ặ | 7861 | U+1EB7 | 11100001:10111010:10110111 |
|
||
|☣ | 9763 | U+2623 | 11100010:10011000:10100011 |
|
||
|😇 | 128519 | U+1f607 | 11110000:10011111:10011000:10000111 |
|
||
|
||
** /Źdźbło/ to ile bajtów w UTF-8?
|
||
|
||
Jeśli wczytać jako wiersz w języku C, 11 bajtów!
|
||
|
||
[[./01_Jezyk/zdzblo.png]]
|
||
|
||
** Dlaczego UTF-8 jest doskonałym systemem kodowania?
|
||
|
||
- wstecznie kompatybilny z ASCII
|
||
- plik ASCII jest poprawnym plikiem UTF-8
|
||
- nie zajmuje dużo miejsca
|
||
- chyba że w tekście jest dużo „dziwnych” znaków
|
||
- proste grepowanie działa
|
||
- ~grep UAM text-in-utf8.txt~ zadziała
|
||
- ale nawet nie próbuj: ~grep SRPOL text-in-utf16.txt~
|
||
|
||
** Porady
|
||
|
||
- zawsze używaj UTF-8
|
||
- bądź asertywny! jeśli w pracy każą używać czegoś innego — rezygnuj z pracy
|
||
- *NIE* używaj innych unikodowych kodowań: UTF-16, UTF-32, UCS-2
|
||
- *NIE* używaj nieunikodowych systemów kodowania
|
||
- ISO-8859-2, Windows-1250, Mazovia, IEA Świerk, …
|
||
- uwaga na pułapki UTF-8
|
||
- ustalenie długości napisu w znakach wymaga przejścia znak po znaku
|
||
- jeśli napis w kodowaniu UTF-8 zajmuje 9 bajtów, ile to znaków?
|
||
3, 4, 5, 6, 7, 8 lub 9!
|
||
|
||
** *NIE* używaj sekwencji BOM
|
||
|
||
[[./01_Jezyk/evil-bom.png]]
|
||
|
||
** Unikod/UTF-8 a języki programowania
|
||
|
||
Pamiętaj, żeby być konsekwentnym!
|
||
|
||
- kodowanie kodu źródłowego (literały!)
|
||
- czasami podawane na początku pliku
|
||
- … albo brane z ustawień /locale/
|
||
- … albo — domyślnie — UTF-8 (w nowszych językach programowania)
|
||
- kodowanie standardowego wejścia/wyjścia i plików
|
||
- jak sekwencje bajtów są interpretowane w czasie działania programu?how the sequence of bytes is \alert{interpreted} during run-time?
|
||
- /Źdźbło/ jest łańcuchem złożonym z 6 czy 9 elementów??
|
||
- 9 bajtów
|
||
- 6 kodów
|
||
- ~"Źdźbło"[1]~ …
|
||
- ~d~
|
||
- … albo śmieci
|
||
|
||
*** Python 2
|
||
|
||
#+BEGIN_SRC ipython
|
||
#!/usr/bin/python2
|
||
# -*- coding: utf-8 -*-
|
||
import sys
|
||
for line in sys.stdin:
|
||
line = line.decode('utf-8').rstrip()
|
||
if "źdźbło".decode('utf-8') in line:
|
||
print len(line), ' ', line
|
||
#+END_SRC
|
||
|
||
*** Python3
|
||
|
||
#+BEGIN_SRC ipython
|
||
#!/usr/bin/python3
|
||
import sys
|
||
for line in sys.stdin:
|
||
line = line.strip()
|
||
if "źdźbło" in line:
|
||
print(len(line), ' ', line)
|
||
#+END_SRC
|
||
|
||
Uwaga: zakładając, że zmienna środowiskowa ~LANG~ jest ustawiona na UTF-8.
|