Strängtyp

• lång utförande av operationer för att erhålla längden och sammanlänkningen av strängar;
• brist på medel för att kontrollera utgången från linjen, i händelse av skada på den slutliga byten, möjligheten att skada stora minnesområden, vilket kan leda till oförutsägbara konsekvenser - förlust av data, krasch av programmet och till och med hela systemet;
• oförmågan att använda det avslutande bytetecknet som ett strängelement.
• oförmågan att använda vissa kodningar med en teckenstorlek på flera byte (till exempel UTF-16), eftersom i många sådana tecken, till exempel  (0x0100), en av byten är noll (samtidigt UTF- 8-kodning är fri från denna nackdel).

Med båda metoderna

På språk som till exempel Oberon placeras en sträng i en rad tecken av en viss längd, och dess slut indikeras med ett nolltecken. Som standard är hela arrayen fylld med nolltecken. Denna metod låter dig kombinera många av fördelarna med båda tillvägagångssätten, samt undvika de flesta av deras nackdelar.

Listvy

Språken Erlang [3] , Haskell [4] , Prolog [5] använder en lista med tecken för strängtypen . Denna metod gör språket mer "teoretiskt elegant" genom att respektera ortogonalitet i typsystemet , men medför en betydande prestationsstraff.

Implementering i programmeringsspråk

• De första programmeringsspråken hade ingen strängtyp alls; programmeraren var tvungen att bygga funktioner för att arbeta med strängar av en eller annan typ.
• C använder noll -terminerade strängar med full manuell kontroll av programmeraren.
• I standard Pascal ser en sträng ut som en array på 256 byte; den första byten lagrade strängens längd, resten lagrade dess kropp. Stränglängden får alltså inte överstiga 255 tecken. Borland Pascal 7.0 introducerade också "a la C "-linjer, uppenbarligen på grund av att Windows ingick bland de stödda plattformarna .
• I Object Pascal och C++ STL är en sträng en "svart låda" där minnesallokering/deallokering sker automatiskt - utan medverkan av programmeraren . När en sträng skapas tilldelas minne automatiskt; så snart det inte finns någon referens kvar till strängen, returneras minnet till systemet. Fördelen med denna metod är att programmeraren inte behöver tänka på hur strängar fungerar. Å andra sidan har programmeraren otillräcklig kontroll över programmets funktion i hastighetskritiska områden; det är också svårt att skicka sådana strängar som en parameter till en DLL . Objekt Pascal ser också automatiskt till att det finns ett tecken med kod 0 i slutet av strängen. Därför, om funktionen kräver en nollterminerad sträng som indata behöver du bara skriva eller (för Pascal), (för Builder ) /STL) för att konvertera.PAnsiChar(строковая_переменная)PWideChar(строковая_переменная)переменная.c_str()
• I C# och andra skräpsamlade språk är en sträng ett oföränderligt objekt; om strängen behöver ändras skapas ett annat objekt. Denna metod är långsam och slösar bort mycket tillfälligt minne, men passar bra med konceptet med sophämtning. Fördelen med denna metod är att tilldelningen är snabb och utan dubbletter av rader. Det finns också en viss manuell kontroll över konstruktionen av strängar (i Java , till exempel genom klasser StringBuffer и StringBuilder) - detta gör att du kan minska antalet minnestilldelningar och releaser och följaktligen öka hastigheten.
  • På vissa språk (till exempel Standard ML ) finns det dessutom en extra modul för att ge ännu större effektivitet - "substring" (SubString). Dess användning låter dig utföra operationer på strängar utan att kopiera deras kroppar genom att manipulera indexen för början och slutet av delsträngen; fysisk kopiering sker endast när det är nödvändigt att konvertera delsträngar till strängar.

Operationer

• få ett tecken efter positionsnummer (index) - på de flesta språk är detta en trivial operation;
• sammanlänkning (anslutning) av strängar.

• få en delsträng genom start- och slutindex;
• kontrollera förekomsten av en sträng i en annan ( sök efter en delsträng i en sträng);
• kontrollera efter matchande strängar ( skiftlägeskänslig eller skiftlägesokänslig );
• få längden på strängen;
• ersätta en delsträng i en sträng.

• faltning ;
• kartläggning från en lista till en annan;
• filtrera listan efter kriterier.

• hitta den minsta supersträngen som innehåller alla de specificerade strängarna;
• sök i två uppsättningar av strängar efter matchande sekvenser ( plagiatproblem ) .

• jämförelse för närheten av de specificerade strängarna enligt ett givet kriterium;
• bestämning av språket och textens kodning baserat på sannolikheterna för tecken och stavelser.

Teckenrepresentation av en sträng

Tills nyligen var ett tecken alltid kodat som en byte (8 binära bitar; kodningar med 7 bitar per tecken användes också), vilket gjorde det möjligt att representera 256 (128 med en sju-bitars kodning) möjliga värden. Men för en fullständig representation av tecknen i alfabeten på flera språk (flerspråkiga dokument, typografiska tecken - flera typer av citat , bindestreck , flera typer av mellanslag och för att skriva texter på hieroglyfiska språk - kinesiska , japanska och koreanska ) 256 tecken räcker inte. Det finns flera metoder för att lösa detta problem:

• Språkväxling med kontrollkoder. Metoden är inte standardiserad och berövar texten oberoende (det vill säga en sekvens av tecken utan en kontrollkod i början förlorar sin betydelse); användes i vissa tidiga förryskningar av ZX-Spectrum och BK .
• Använda två eller fler byte för att representera varje tecken ( UTF-16 , UTF-32 ). Den största nackdelen med denna metod är förlusten av kompatibilitet med tidigare textbibliotek när en sträng representeras som ASCIIZ. Till exempel bör slutet av en sträng inte längre betraktas som en byte med värdet 0, utan två eller fyra på varandra följande nollbyte, medan en enda byte "0" kan förekomma i mitten av en sträng, vilket förvirrar biblioteket.
• Använder en kodning med variabel teckenstorlek. Till exempel, i UTF-8 representeras vissa tecken av en byte, vissa av två, tre eller fyra. Denna metod låter dig behålla delvis kompatibilitet med gamla bibliotek (det finns inga 0-tecken inuti strängen och därför kan 0 användas som ett tecken på slutet av strängen), men leder till omöjligheten att direkt adressera ett tecken i minnet genom att dess positionsnummer i strängen.

Lexikal analys

För att kontrollera överensstämmelsen för alla ordformer under lexikal (semantisk) analys används symboliska likhetsmått:

• Avstånd från Damerau till Loewenstein
• Levenshtein avstånd
• Hamming avstånd
• Jaro-Winkler likhet

Se även

• Noll-terminerad sträng
• Tom linje
• Textdata
• Gratis semigrupp
• Lexikografisk ordning
• Algoritmer på strängar
• Ord (matematik)
• Bred karaktär

Anteckningar

1. ↑ Det dyraste One-byte-misstaget - ACM-kö . Hämtad 17 september 2016. Arkiverad från originalet 19 september 2016. (obestämd)
2. ↑ Joel om programvara - Tillbaka till grunderna . Hämtad 17 september 2016. Arkiverad från originalet 16 september 2016. (obestämd)
3. ↑ Simon St. Laurent. Vi presenterar Erlang . - O'Reilly Media, Inc., 2013. - S.  62 . — 185 sid. - ISBN 978-1-449-33176-4 .
4. ↑ Bryan O'Sullivan, Don Stewart, John Goerzen, Real World Haskell. Bilaga B. Tecken, strängar och escape-regler Arkiverad 26 januari 2012 på Wayback Machine
5. ↑ SWI-Prolog Manual: 5.2.2 Representerande text: strängar, atomer och kodlistor Arkiverad 17 juli 2014 på Wayback Machine