Chaînes
et fichiers.

• Nettoyer, découper, chercher et reconstruire du texte.
• Expliquer ce qu’est Unicode et pourquoi « é » peut occuper deux octets.
• Écrire un journal de mesures dans un fichier et le relire.
• Charger et sauvegarder des données structurées (CSV, JSON).

Dans cette page, les fichiers sont créés dans un disque virtuel du navigateur : ils disparaissent au rechargement. Sur votre PC, ils apparaîtront dans le dossier du script.

Comme les tuples, les chaînes ne se modifient pas : chaque opération crée une nouvelle chaîne. Conséquence pratique : construire un texte par += dans une boucle de 100 000 tours recopie la chaîne à chaque fois. On préfère accumuler des morceaux dans une liste puis "".join(liste). find renvoie −1 si absent ; index lèverait une erreur.

strip, split, join, replace, lower, startswith, isdigit. Elles renvoient toutes une nouvelle chaîne (ou une liste) : il faut récupérer le résultat. repr() montre la chaîne « telle qu’on l’écrirait en Python », avec ses guillemets et son \n : très utile pour voir les espaces invisibles.

Les chemins Windows contiennent des \ : "C:\nom" serait lu « C: + retour à la ligne + om ». D’où les chaînes brutes r"…", ou l’usage de / qui fonctionne aussi sous Windows en Python. Un fichier texte créé sous Windows termine ses lignes par \r\n, sous Linux et macOS par \n : Python gère la conversion en mode texte.

Le modulo 26 fait « boucler » l’alphabet : Z + 3 = C. Ce code de César est cassable en 25 essais ; avec un décalage différent par lettre (Vigenère) c’est plus dur ; avec une clé aussi longue que le message et jamais réutilisée, c’est incassable (masque jetable). En séance 13 on verra l’arithmétique derrière les vrais chiffrements.

Un fichier ne contient pas des caractères, il contient des octets (séance 01). L’encodage est la règle qui transforme les uns en les autres. UTF-8 est le standard : 1 octet pour l’ASCII (lettres sans accent, chiffres), 2 pour « é », 3 pour « € », 4 pour un emoji. Le dernier exemple montre le célèbre « café » : le fichier était en UTF-8 mais lu en Latin-1. Toujours préciser encoding="utf-8" à l’ouverture d’un fichier. Sur Arduino, un char est un octet : on y utilise l’ASCII pur.

"w" écrit (et efface ce qui existait !), "a" ajoute à la fin, "r" lit (mode par défaut). Le bloc with garantit que le fichier est fermé à la sortie du bloc, même en cas d’erreur ; sans lui, des données peuvent rester dans un tampon et ne jamais atteindre le disque. Parcourir f ligne par ligne avec for ne charge pas tout le fichier en mémoire : c’est ce qui permet de traiter un journal de 10 Go.

Parce qu’une valeur peut contenir une virgule (« Paris, France ») ou un guillemet, et que le module gère ces cas. DictReader utilise la première ligne comme noms de colonnes. Attention : tout est lu comme du texte, il faut convertir. Ouvrez mesures.csv avec un tableur : c’est le même format. Beaucoup de cartes électroniques envoient leurs données ainsi sur le port série.

CSV : un tableau, des lignes identiques, léger. JSON : des structures imbriquées (dictionnaires, listes), le format de configuration et d’échange sur Internet. Remarquez la traduction : True → true, None → null, tuple → liste. Un fichier JSON se lit dans n’importe quel langage, y compris en C sur un ESP32.

Un objet Path représente un chemin de façon portable : / assemble correctement sous Windows comme sous Linux. write_text / read_text suffisent pour les petits fichiers. Pour un vrai projet, on rangera les données dans un dossier dédié, jamais au milieu du code.

def analyser(texte):
    morceaux = texte.strip().upper().split()
    commande = morceaux[0]
    valeur = int(morceaux[1]) if len(morceaux) > 1 else 0
    return commande, valeur

Résultats : ('AVANCE', 50), ('TOURNE', -90), ('STOP', 0). split() sans argument avale les espaces multiples. Et si le texte est vide ? morceaux[0] plantera : séance 08.

compte = {}
erreurs = []
with open("robot.log", encoding="utf-8") as f:
    for ligne in f:
        heure, niveau, message = ligne.rstrip("\n").split(" ", 2)
        compte[niveau] = compte.get(niveau, 0) + 1
        if niveau == "ERROR":
            erreurs.append((heure, message))

for niveau, n in compte.items():
    print(f"{niveau:6} {n}")
for heure, message in erreurs:
    print(f"À {heure} : {message}")

split(" ", 2) ne découpe que sur les deux premiers espaces : le message garde ses espaces internes. Ce genre d’analyse de journal est quotidien pour un ingénieur.

ACCENTS = {"é": "e", "è": "e", "ê": "e", "à": "a", "ç": "c", "ù": "u", "ô": "o", "î": "i"}

def normaliser(texte):
    t = texte.lower()
    for acc, sans in ACCENTS.items():
        t = t.replace(acc, sans)
    return "".join(c for c in t if c.isalpha())

def est_palindrome(texte):
    t = normaliser(texte)
    return t == t[::-1]

def frequences(texte):
    compte = {}
    for c in normaliser(texte):
        compte[c] = compte.get(c, 0) + 1
    return sorted(compte.items(), key=lambda kv: kv[1], reverse=True)

t[::-1] est une tranche avec un pas de −1 : la chaîne à l’envers. En français, la lettre la plus fréquente est E (≈ 15 %), puis A, S, I, N, T. Dans un message chiffré par César, la lettre la plus fréquente est donc presque sûrement E décalé : on lit le décalage directement. Al-Kindi a décrit cette attaque au IXᵉ siècle. Ouverture : avec un dictionnaire de 100 000 mots, combien de palindromes ? (Séance 17 pour le faire vite.)