Grundlagen der Programmierung 1 – Teil 1 – V5 · Prof. Dr. Detlef Krömker 7 Hier wird Wissen Wirklichkeit Programmieren 1 – Teil 1 – V5 WS 2005/2006 Über die 3 Parzen (lat.),

Hier wird Wissen Wirklichkeit

Modul: Programmierung B-PRGGrundlagen der Programmierung 1 – Teil 1 – V5

Zeichenketten, Strings und Listen

Prof. Dr. Detlef KrömkerProfessur für Graphische DatenverarbeitungInstitut für InformatikFachbereich Informatik und Mathematik (12)

Prof. Dr. Detlef Krömker2 Hier wird Wissen WirklichkeitProgrammieren 1 – Teil 1 – V5WS 2005/2006

Rückblick

Kodierung numerischer DatentypenGanze Zahlen (Integer) als DualzahlenGleitkommazahlen (floating point numbers)Alternative Dezimalzahlendarstellungen

Objekte in Python

Elementare numerische Datentypen in PythonNumerische DatentypenOperationen auf ZahlenVergleichsoperatorenAusdrücke


Unser heutiges Lernziel

Zeichenketten als elementare Datentypen sollen verstanden werden

- einschließlich ihrer Besonderheiten.


Übersicht

Was ist Text?

Welche Schriftarten existieren?

Was sind Zeichenketten?

Was sind Zeichensätze?

Wie werden diese im Computer codiert?


Text

= geschriebene Sprache (im engeren Sinne)

kommt von lat. textus =� Gewebe� Geflecht� Stoff


Funktionale Verbindung zwischen Text und Gewebe

linear-temporäre Aneinanderreihung von Zeichen und Worten kann in eine semantische Netzwerkrepräsentation transformiert werden

=>Text „verstrickt“ und „verflechtet“ Objekte und Akteure (Knoten)

miteinander.

TextSemantisches

Netzwerk


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.

Mythologische Verbindung zwischen Gewebe und Text


Darstellung des Textes

benötigt eine Schrift, deren Zeichen wahlweise� Phoneme � Silben � Wörter bzw. Begriffe kodieren.


Klassifikation der Schriften

Alphabetschrift Zeichen ~ Laut

Silbenschrift Zeichen ~ Silbe

Logogramme Zeichen ~ Wort, Aussage, Anweisung


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... :


Silbenschrift

Beispiele: � Cherokee

(siehe rechts)� Kyprisch� Linear B� Akkadische

Keilschrift


Wortbildschrift, Logogrammschrift

Beispiele: � Hanzi (chinesisch – siehe rechts)� Hanja (koreanisch)� Maja-Schrift� Jurjen� Tangut


Sonderformen der Logogramme

Ziffernsysteme&Symbolik der Mathematik

Piktogramme


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)


Schriftsysteme der Welt

http://de.wikipedia.org/wiki/Schrift


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


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 εbezeichnet.


Begriff: Kleensche Hülle

Unter der Kleeneschen Hülle Σ* versteht man die Menge aller Wörter (i.d.F. Zeichenreihen) über dem Alphabet Σ.


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, ... }


Begriff: Zeichensatz

Die Zuordnung von alphanumerischen Zeichen (Buchstaben und Ziffern) sowie Sonderzeichen zu einem Zahlencode.

Beispiele: � ASCII (meist verwendet) � IBM EBCDIC (verliert an Bedeutung)


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


Begriff: Schriftart

Synonyme: font, typeface

Bekannte Schriftarten:ArialTimes New Roman Frutiger lightCourier NewImpactCentury Gothic


Proportionale vs. Nicht-proportionale Schriften

Nichtproportionale Schriften

(fixe Typenbreite)

(Courier New, Lucida Console, ...)

Proportionale Schriften

(veränderliche Typenbreite)

(Arial, Times, Frutiger, ..)


Grotesk vs. Antiqua

Grotesten-Schriften(ohne Serifen)

(Arial, Frutiger, LucidaConsole, ...)

Antiqua-Schriften(mit Serifen)

(Times, Courier New, ..)


Internationale Zeichensätze

ASCII Einer der ältesten Computer-Zeichensätze – 7 Bit

1963 Sehr weit verbreitet,(Programmiersprachen, Internet-Adressen, etc.)

ISO/IEC 8859 15 verschiedenen Kodierungen zur Abdeckung europäischer Sprachen sowie arabisch, hebräisch, thailändisch und türkisch

1986 u.a. in Linux und MS Windows verwendet.

Unicode ISO/IEC 10646 -– 1991

Internationaler Standard – (7) 8, 16 oder 32 Bit

1991 nimmt an Bedeutung stark zu


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 66003 festgelegt und ist als Variante 21 registriert

� veraltet


Weitere nationale ZeichensätzeARMSCII ArmenischBig5 Chinesisch (Taiwan)Guojia BiaozhunZeichensatz für vereinfachte chinesische SchriftzeichenHKSCS Chinesisch (Hong Kong)ISCII Alle indischen SprachenKOI8-R RussischKOI8-U Ukrainisch TIS-620 Thailändisch, ähnlich ISO 8859-11 (1990)TSCII TamilVISCII VietnamesischSJIS Japanisch, entworfen von MicrosoftEUC „Extended UNIX Coding“ Mehrere ostasiatische Sprachen


Proprietäre Zeichensätze von Computerfirmen EBCDIC Von IBM entwickelter Zeichensatz

MacRoman, MacCyrillic für Apple Mac Computer vor Mac OS X (seit OS X wird Unicode verwendet)

Windows- und DOS-Codepages Windows-1252; MS-DOS Codepage437, Codepage 850

Windows Glyph List 4


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 1968


ASCII genauer unter die Lupe genommen ASCII

Code

…0 …1 …2 …3 …4 …5 …6 …7 …8 …9 …A …B …C …D …E …F

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 ! " # $ % & ' ( ) * + , - . /

3… 0 1 2 3 4 5 6 7 8 9 : ; < = > ?

4… @ 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


ASCII-Anekdote

APPLE ÜÄAPPLE ÜÄAPPLE ÜÄAPPLE ÜÄ


ASCII-Anekdote

APPLE ÅÆAPPLE ÅÆAPPLE ÅÆAPPLE ÅÆ


ASCII genauer unter die Lupe genommen Problem: ASCII enthält keine diakritischen Zeichen!

� 1972 Einführung von ISO 646-IRV

� Internationale Kompatibilitätsprobleme

APPLE ][APPLE ][APPLE ][APPLE ][

APPLE ÜÄAPPLE ÜÄAPPLE ÜÄAPPLE ÜÄ

APPLE ÅÆAPPLE ÅÆAPPLE ÅÆAPPLE ÅÆ

APPLE ÕÃAPPLE ÕÃAPPLE ÕÃAPPLE ÕÃ


ASCII genauer unter die Lupe genommen (ISO 646-IRV) 23 24 40 5B 5C 5D 5E 60 7B 7C 7D 7E

ISO 646-IRV # ¤ @ [ \ ] ^ ` { | } ~Deutschland # $ § Ä Ö Ü ^ ` ä ö ü ßSchweiz ù $ à é Ç ê î ô ä ö ü ûUSA (ASCII) # $ @ [ \ ] ^ ` { | } ~UK £ $ @ [ \ ] ^ ` { | } ~Frankreich £ $ à ° Ç § ^ ` é ù é ¨Kanada # $ à â Ç ê î ô é ù é ûFinnland # $ @ Ä Ö Å Ü é ä ö å üNorwegen # $ @ Æ Ø Å ^ ` æ ø å ~Schweden # $ É Ä Ö Å Ü é ä ö å üItalien £ $ § ° Ç é ^ ù à ò ù ìNiederlande £ $ ¾ ÿ ½ | ^ ` ¨ ƒ ¼ ´Spanien £ $ § ¡ Ñ ¿ ^ ` ° ñ ç ~Portugal # $ @ Ã Ç Õ ^ ` ã ç õ ~


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


ISO IEC 8859 8-Bit-Zeichensatz aufbauend auf ASCII (erste 7 Bits)

Halbherzig => Wieder mehrere Varianten (z.B. ISO 8859-1 für westeuropäische Länder)

=> 15 verschiedene Zeichensätze (1 bis 16 ohne 12)


ISO IEC 8859 -1 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)


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.


Unicode - Die Codes von Unicode-Zeichen werden hexadezimal mit

vorangestelltem U+ notiert.

- ursprünglich 65.536 Zeichen (UCS-2, 16 Bit)

- In Version 2.0 wurde der Codebereich um weitere 16 gleichgroße Bereiche, sogenannte Planes erweitert. Somit sind nun maximal 1.114.112 (220+216) Zeichen bzw. Codepoints (=eindeutige Zeichennummer )im Codebereich von U+00000 bis U+10FFFF vorgesehen (UCS-4, 32 Bit).

- Bislang, in Unicode 4.0, sind bisher 96.382 Codes individuellen Zeichen zugeordnet. Das entspricht nur etwa erst 9% des Coderaumes.


Unicode - Die Codes von Unicode-Zeichen werden hexadezimal mit

vorangestelltem U+ notiert.

- ursprünglich 65.536 Zeichen (UCS-2, 16 Bit)

- In Version 2.0 wurde der Codebereich um weitere 16 gleichgroße Bereiche, sogenannte Planes erweitert. Somit sind nun maximal 1.114.112 (220+216) Zeichen bzw. Codepoints (=eindeutige Zeichennummer )im Codebereich von U+00000 bis U+10FFFF vorgesehen (UCS-4, 32 Bit).

- Bislang, in Unicode 4.0, sind bisher 96.382 Codes individuellen Zeichen zugeordnet. Das entspricht nur etwa erst 9% des Coderaumes.


Unicode Transformation Format (UTF),256 „Variation Selectors“ für Glyphenvarianten (Fraktur,

Handschrift, Antiqua, etc.)

Für die unteren 256 Zeichen die weit verbreitete ISO 8859-1-Kodierung (Latin1) beibehalten


Erstellen von Unicode-ZeichenBeispiel „⊕⊕⊕⊕“

Suche in entsprechender Tabelle (hier: Mathematische Symbole) =>hexadezimale Zeichennummer

Python: Voranstellen von \uHHHH (vier Hexadezimale Ziffern (0 .. 65.536) in Python hier \u2295

HTML oder XML: „⊕“Die Zeichennummer kann auch dezimal, dann ohne führendes „x“, angegeben werden, zum Beispiel „⊕“ für das gleiche Zeichen.


Erstellen von Unicode-ZeichenDie 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.: namedentites), der in das Stylesheet integriert wird. Allgemein übliche benannte Zeichen sind z.B. die Umlaute wie „Ä“ statt „Ä" für Ä.


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)



Strings können in einfachen,doppelten oderdreifachen

Anführungszeichen geschrieben werden

=> Unterschiede



>>> "Hello World“

"Hello World“>>> 'Python ist toll!‚'Python ist toll!‚>>> """Python isttoll!""„>>> print _Python isttoll! >>>'Python isttoll!'SyntaxError: EOL while scanning single-quoted string


Zeichenketten in Python>>> 'Python ist \

toll!‚

'Python ist toll!‚

>>> """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

\ (Backslash) verlängert die physische Zeile zu einer logischen Zeile.



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"a = "Hello World"a = "Hello World"a = "Hello World"

b = a[4] # b = 'o'b = a[4] # b = 'o'b = a[4] # b = 'o'b = a[4] # b = 'o'


Zeichenketten in PythonUm 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 = a = a = a = ““““Hello WorldHello WorldHello WorldHello World””””c = a[0:5] # c = "Hello"c = a[0:5] # c = "Hello"c = a[0:5] # c = "Hello"c = a[0:5] # c = "Hello"d = a[6:] # d = "World"d = a[6:] # d = "World"d = a[6:] # d = "World"d = a[6:] # d = "World"e = a[3:8] # e = "e = a[3:8] # e = "e = a[3:8] # e = "e = a[3:8] # e = "lolololo Wo"Wo"Wo"Wo"


Zusammenfassung

Jetzt müssen Sie üben, direkt mit dem Interpreter!


Anmerkung zur Übung

AufgabeAufgabeAufgabeAufgabe 3.2.C3.2.C3.2.C3.2.C

StattStattStattStatt x*logx*logx*logx*log10101010(4) (4) (4) (4)

x+logx+logx+logx+log10101010(4)(4)(4)(4)


Fragen und (hoffentlich) Antworten


AusblickZeichenketten in ListenListenListenoperatorenu.v.m.

Danke für Ihre Aufmerksamkeit

Documents

Grundlagen der Programmierung 1 – Teil 1 – V5 · Prof. Dr. Detlef Krömker 7 Hier wird Wissen Wirklichkeit Programmieren 1 – Teil 1 – V5 WS 2005/2006 Über die 3 Parzen (lat.),