moj-2024/01_Jezyk.org at 4636136d654c8added00ac8b7eaaa9dd0c7e2c80

11 KiB

Raw Blame History

Język — różne perspektywy
Kodowanie znaków

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 (napisem) 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.

  import regex as re
  rx = re.compile(r'ab+')

  rx.search('żabbba').group(0)

abbb

  import rstr

  rstr.xeger(r'ab+')

abbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbbb

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?

Ala ma kota.

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 …

/pms/moj-2024/media/commit/4636136d654c8added00ac8b7eaaa9dd0c7e2c80/wyk/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.

/pms/moj-2024/media/commit/4636136d654c8added00ac8b7eaaa9dd0c7e2c80/wyk/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.

  for code in range(0, 128):
    print(f'{code}: {chr(code)}')

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:

Jak zejść na poziom bitów?

Linux — wiersz poleceń

Linux command line:

$ 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

Edytor tekstu (Emacs)

/pms/moj-2024/media/commit/4636136d654c8added00ac8b7eaaa9dd0c7e2c80/wyk/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

/pms/moj-2024/media/commit/4636136d654c8added00ac8b7eaaa9dd0c7e2c80/wyk/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, 4, 5 lub 6 bajtów (w praktyce — raczej to 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

UTF-8 — ogólny schemat zamiany kodu na bajty

0x00 do 0x7F – 0xxxxxxx,
0x80 do 0x7FF – 110xxxxx 10xxxxxx
0x800 do 0xFFFF — 1110xxxx 10xxxxxx 10xxxxxx
0x10000 do 0x1FFFFF – 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
0x200000 do 0x3FFFFFF – 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
0x4000000 do 0x7FFFFFFF – 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

Symbol x oznacza znaczący bit.

Źdźbło to ile bajtów w UTF-8?

Jeśli wczytać jako wiersz w języku C, 11 bajtów!

/pms/moj-2024/media/commit/4636136d654c8added00ac8b7eaaa9dd0c7e2c80/wyk/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

/pms/moj-2024/media/commit/4636136d654c8added00ac8b7eaaa9dd0c7e2c80/wyk/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?
- Źdźbło jest łańcuchem złożonym z 6 czy 9 elementów??
  - 9 bajtów
  - 6 kodów
- "Źdźbło"[1] …
  - d
  - … albo śmieci

Python 2

#!/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

Python3

#!/usr/bin/python3
import sys
for line in sys.stdin:
   line = line.strip()
   if "źdźbło" in line:
       print(len(line), ' ', line)

Uwaga: zakładając, że zmienna środowiskowa LANG jest ustawiona na UTF-8.

11 KiB Raw Blame History Unescape Escape