Strengtype

• lang udførelse af operationer for at opnå længden og sammenkædningen af ​​strenge;
• mangel på midler til at kontrollere outputtet af linjen, i tilfælde af skade på den endelige byte, muligheden for at beskadige store områder af hukommelsen, hvilket kan føre til uforudsigelige konsekvenser - tab af data, nedbrud af programmet og endda hele systemet;
• manglende evne til at bruge det afsluttende byte-tegn som et strengelement.
• manglende evne til at bruge nogle kodninger med en tegnstørrelse på flere bytes (for eksempel UTF-16), da i mange sådanne tegn, for eksempel  (0x0100), er en af ​​bytes nul (samtidigt er UTF- 8-kodning er fri for denne ulempe).

Ved at bruge begge metoder

På sprog som for eksempel Oberon placeres en streng i en række tegn af en vis længde, og dens slutning er angivet med et nultegn. Som standard er hele arrayet fyldt med nul-tegn. Denne metode giver dig mulighed for at kombinere mange af fordelene ved begge tilgange, samt undgå de fleste af deres ulemper.

Listevisning

Sprogene ​​Erlang [3] , Haskell [4] , Prolog [5] bruger en liste over tegn til strengtypen . Denne metode gør sproget mere "teoretisk elegant" ved at respektere ortogonalitet i typesystemet , men medfører en betydelig præstationsstraf.

Implementering i programmeringssprog

• De første programmeringssprog havde slet ikke en strengtype; programmøren skulle bygge funktioner til at arbejde med strenge af en eller anden type.
• C bruger null- terminerede strenge med fuld manuel kontrol af programmøren.
• I standard Pascal ser en streng ud som en matrix på 256 bytes; den første byte lagrede længden af ​​strengen, resten lagrede dens krop. Strenglængden må således ikke overstige 255 tegn. Borland Pascal 7.0 introducerede også "a la C " linjer, tilsyneladende på grund af det faktum, at Windows var inkluderet blandt de understøttede platforme .
• I Object Pascal og C++ STL er en streng en "sort boks", hvor hukommelsesallokering/deallokering sker automatisk - uden deltagelse af programmøren . Når en streng oprettes, allokeres hukommelse automatisk; så snart der ikke er nogen reference tilbage til strengen, returneres hukommelsen til systemet. Fordelen ved denne metode er, at programmøren ikke behøver at tænke på, hvordan strenge fungerer. På den anden side har programmøren utilstrækkelig kontrol over driften af ​​programmet i hastighedskritiske områder; det er også svært at overføre sådanne strenge som en parameter til en DLL . Objekt Pascal sørger også automatisk for, at der er et tegn med kode 0 i slutningen af ​​strengen. Derfor, hvis funktionen kræver en null-termineret streng som input , skal du blot skrive eller (for Pascal), (for Builder ) /STL) for at konvertere.PAnsiChar(строковая_переменная)PWideChar(строковая_переменная)переменная.c_str()
• I C# og andre skrald-samlede sprog er en streng et uforanderligt objekt; hvis strengen skal ændres, oprettes et andet objekt. Denne metode er langsom og spilder en masse midlertidig hukommelse, men passer godt sammen med konceptet med affaldsindsamling. Fordelen ved denne metode er, at opgaven er hurtig og uden duplikerede rækker. Der er også en vis manuel kontrol over konstruktionen af ​​strenge (i Java , for eksempel gennem klasser StringBuffer и StringBuilder) - dette giver dig mulighed for at reducere antallet af hukommelsestildelinger og udgivelser og dermed øge hastigheden.
  • På nogle sprog (for eksempel Standard ML ) er der desuden et ekstra modul for at give endnu større effektivitet - "substring" (SubString). Dens brug giver dig mulighed for at udføre operationer på strenge uden at kopiere deres kroppe ved at manipulere indekserne for begyndelsen og slutningen af ​​understrengen; fysisk kopiering sker kun, når det er nødvendigt at konvertere understrenge til strenge.

Operationer

• få et tegn efter positionsnummer (indeks) - på de fleste sprog er dette en triviel operation;
• sammenkædning (forbindelse) af strenge.

• få en understreng ved start- og slutindekser;
• kontrol af forekomsten af ​​en streng i en anden ( søg efter en understreng i en streng);
• tjek for matchende strenge ( der skelner mellem store og små bogstaver eller skelner mellem store og små bogstaver );
• få længden af ​​strengen;
• erstatte en understreng i en streng.

• vikling ;
• kortlægning fra en liste til en anden;
• filtrering af listen efter kriterier.

• finde den minimale superstreng indeholdende alle de specificerede strenge;
• søg i to rækker af strenge efter matchende sekvenser ( plagiatproblem ) .

• sammenligning for nærheden af ​​de specificerede strenge i henhold til et givet kriterium;
• bestemmelse af tekstens sprog og indkodning baseret på sandsynligheden for tegn og stavelser.

Tegnrepræsentation af en streng

Indtil for nylig var ét tegn altid kodet som én byte (8 binære bit; der blev også brugt kodninger med 7 bit pr. tegn), hvilket gjorde det muligt at repræsentere 256 (128 med en syv-bit kodning) mulige værdier. Men for en fuld repræsentation af tegnene i alfabeterne på flere sprog (flersprogede dokumenter, typografiske tegn - flere typer citater , bindestreger , flere typer mellemrum og til at skrive tekster på hieroglyfiske sprog - kinesisk , japansk og koreansk ) 256 tegn er ikke nok. Der er flere metoder til at løse dette problem:

• Sprogskifte med kontrolkoder. Metoden er ikke standardiseret og fratager teksten uafhængighed (det vil sige, en sekvens af tegn uden en kontrolkode i begyndelsen mister sin betydning); brugt i nogle tidlige Russificeringer af ZX-Spectrum og BK .
• Brug af to eller flere bytes til at repræsentere hvert tegn ( UTF-16 , UTF-32 ). Den største ulempe ved denne metode er tabet af kompatibilitet med tidligere tekstbiblioteker, når en streng repræsenteres som ASCIIZ. For eksempel skal slutningen af ​​en streng ikke længere betragtes som en byte med værdien 0, men to eller fire på hinanden følgende nulbytes, mens en enkelt byte "0" kan forekomme i midten af ​​en streng, hvilket forvirrer biblioteket.
• Brug af en kodning med variabel tegnstørrelse. For eksempel i UTF-8 er nogle tegn repræsenteret af én byte, nogle af to, tre eller fire. Denne metode giver dig mulighed for at bevare delvis kompatibilitet med gamle biblioteker (der er ingen 0-tegn inde i strengen, og derfor kan 0 bruges som et tegn på slutningen af ​​strengen), men fører til, at det er umuligt at adressere et tegn direkte i hukommelsen ved at dets positionsnummer i strengen.

Leksikalsk analyse

For at kontrollere overensstemmelsen af ​​alle ordformer under leksikalsk (semantisk) analyse, bruges symbolske lighedsmål:

• Afstand fra Damerau til Loewenstein
• Levenshtein afstand
• Hammerafstand
• Jaro-Winkler lighed

Se også

• Nul-termineret streng
• Tom linje
• Tekstdata
• Gratis semigruppe
• Leksikografisk rækkefølge
• Algoritmer på strenge
• Ord (matematik)
• Bred karakter

Noter

1. ↑ Den dyreste en-byte fejl - ACM-kø . Hentet 17. september 2016. Arkiveret fra originalen 19. september 2016. (ubestemt)
2. ↑ Joel om software - Tilbage til det grundlæggende . Hentet 17. september 2016. Arkiveret fra originalen 16. september 2016. (ubestemt)
3. ↑ Simon St. Laurent. Introduktion til Erlang . - O'Reilly Media, Inc., 2013. - S.  62 . — 185 sider. - ISBN 978-1-449-33176-4 .
4. ↑ Bryan O'Sullivan, Don Stewart, John Goerzen, Real World Haskell. Appendiks B. Tegn, strenge og escape-regler Arkiveret 26. januar 2012 på Wayback Machine
5. ↑ SWI-Prolog Manual: 5.2.2 Repræsenterer tekst: strenge, atomer og kodelister Arkiveret 17. juli 2014 på Wayback Machine