Конспект урока: Оценка количественных параметров текстовых документов

Представление текстовой информации в памяти компьютера

Текстовая информация включает в себя символы: буквы, цифры, знаки препинания, скобки, пробел и т. д. Записывая текст, пользователь использует множество всех символов — алфавит. В алфавите, как правило, используется определённое число символов, что называют его мощностью. 

Тексты вводятся в память компьютера с помощью клавиатуры. На клавишах написаны привычные для человека символы. В оперативную память они попадают в форме двоичного кода.

Мощность компьютерного алфавита равна 256, тогда из предыдущей формулы получаем $256 = 2^{\mathrm{i}}$, следовательно,  $\mathrm{i} = 8$ бит (1 байт) — вес одного символа данного алфавита.

Этот восьмиразрядный двоичный код позволяет получить 256 различных кодовых комбинаций. 

Во всех кодовых таблицах первые 128 символов одинаковые:

• 0−32 — управляющие символы (позволяют удалить предыдущий символ Delete, BackSpace, переводят строки, ставят пробел);
• 33−127 — изображаемые символы (латинские буквы, знаки препинания, цифры 
  и т. д.);
• 128−255 — буквы национального алфавита.

В 70-х годах XX века американскими учёными был разработан и внедрён особый стандартный код для обмена информацией ASCII (American Standard Code for Information Intercharge). Его использовали для передачи информации как с помощью компьютерных средств, так и некомпьютерных (например телеграф). 

Прописные и строчные буквы латинского алфавита, цифры, знаки препинания, знаки арифметических действий, специальные символы являются изображаемыми символами в кодировке ASCII.

Таблица 1. Кодировка ASCII

Стандарт ASCII был создан для передачи текста, состоящего из букв латинского алфавита, однако существовала необходимость в передаче текста другого вида.

Несогласованность действий в разработке расширений привела к тому, что для большинства языков было придумано сразу по несколько кодовых таблиц, что способствовало появлению недопонимая при кодировании информации. В связи с этим каждой кодовой таблице давались название и номер. 

Русскому алфавиту соответствовали примерно 10 кодовых таблиц.

Проблемы использования 8-битной кодировки, а именно невозможность работы сразу с несколькими алфавитами (языками), постоянная потребность в перекодировке привели к тому, что в 1991 году был создан новый стандарт кодирования символом — Юникод или Unicode (шестнадцатиразрядная кодировка), с помощью которого появилась возможность применять символы любых языков мира.

Пользователю нет необходимости перекодировать текстовые документы самостоятельно, это делают специальные программы-конвентеры, встроенные в операционную систему или приложения.

Информационный объем фрагмента текста

В предыдущих параграфах было сказано, что информационный объем сообщения есть I, который равен произведению количества символов K в сообщении на информационный вес символа:

$I = K * i$.

Исходя из разрядности кодировки, информационный вес символа текста, создаваемого на компьютере, может быть равен 8 битам при восьмиразрядной кодировке или 16 битам, если кодировка шестнадцатиразрядная.

Пример 1

 

Каждый символ кодируется одним байтом. Определите, чему равен информационный объём сообщения: «Век живи, век учись!»

 

Решение

 

Посчитаем количество символов в сообщении, будем учитывать буквы, знаки препинания и пробелы. Всего 20 символов. Каждый символ кодируется 1 байтом.

Пример 2

 

Найти объём (в Мбайтах) текстовой информации в учебнике по информатике, если используется кодировка ASCII.

 

Решение

 

Запишем условие. Для оценки в байтах объёма текстовой информации в учебнике по информатике, состоящем из 288 страниц, на каждой из которых в среднем 35 строк по 55 символов (включая пробелы), необходимо найти общее число символов. 

 

Пример 3

 

В энциклопедии 23 тома, в каждом из которых порядка 800 страниц. На одной странице размещается в среднем 60 строк по 100 символов (включая пробелы) в каждой. Найдите объём текстовой информации в энциклопедии. Считайте, что при записи использовался алфавит мощностью 256 символов.

 

Решение

 

Так как $256 = 2^i$, тогда $i = 8$ бит.