Les données numériques sont une des composantes essentielles des programmes informatiques.

• Il s'agit par définition des informations qui doivent être conservées entre deux exécutions.
• Avec l’augmentation des capacités de stockage et leur mise en réseau, les quantités de données conservées ont considérablement augmenté au cours des dernières décennies.

Dans le cadre de ce cours, nous aborderons :

• la question du stockage de ces données sur un support informatique (Fichiers, bases de données),
• ainsi que les méthodes permettant de consulter et mettre à jour régulièrement ces données.

Tout commence par une fiche à remplir…

• Un formulaire se présentant sous la forme d’un ensemble de rubriques à remplir.
• Le modèle de fiche définit le format des données à enregistrer:
  • liste des rubriques du formulaire,
  • domaine de valeurs attendues dans chaque rubrique.
• A toute fiche remplie correspond un jeu de valeurs (ou mesure) :
  • liste de valeurs correspondant au contenu d’une fiche particulière.

• D’un point de vue informatique, un jeu de valeurs recueilli est appelé un enregistrement
  • correspondant à l’encodage des données recueillies sur un support numérique
• Une structure de données définit les données de manière logique,
  • c’est à dire l’ordre dans lequel elles doivent être lues
  • et la manière dont elles doivent être interprétées par les programmes qui les utilisent.

• Mais l’encodage comprend également et principalement la structure de stockage,
  • définissant la manière dont les données sont physiquement stockées sur le support,
  • autrement dit la méthode de rangement de la série de mesures :
    • fichiers,
    • répertoires,
    • index,
    • etc…
  • reposant sur des supports de stockage (ou mémoires) :
    • mémoire centrale,
    • mémoires secondaires (disque dur, CD-ROM, memoire flash (SSD), etc…).

En informatique, une requête (en anglais query) est une demande de consultation, effectuée par un programme client à l’attention d’un programme serveur.

• Le programme client représente l’utilisateur, il s’agit du programme qui enregistre la demande de l’utilisateur, la transmet au serveur, puis met en forme visuellement la réponse du serveur.
• Les données sont centralisées au niveau du serveur, chargé de la gestion, de la manipulation et du stockage des données.Il traite la requête, consulte les données et transmet le résultat au client.

La requête peut être une simple référence vers un fichier, ou être l’expression d’une recherche plus spécifique (consultation de certaines fiches d’un fichier, croisement d’information (entre plusieurs fichiers), etc…). Dans ce cas, il est nécessaire d’utiliser un langage de requête (le plus souvent SQL).

On distingue quatre grands types de requêtes (approche “CRUD”):

• Création (Create) : ajout de nouvelles données dans la base
• Lecture/recherche (Read) : consulation du contenu de la base
• Mise à jour (Update) : changement du contenu existant
• Suppression (Delete) : suppression des données obsolètes

Lors d’une consultation de type lecture/recherche, il y a souvent plusieurs réponses qui correspondent à la demande. Le résultat d’une requête prend donc la forme d’un ensemble de réponses. Ces réponses sont éventuellement classées, selon la valeur d’un certain identifiant, ou selon le degré de pertinence.

SELECT *
FROM  Eleves
WHERE NOM = 'Dugenou'

• La transmission des données entre programmes nécessite l’ouverture d’un canal de communication
  • entre client et serveur
  • par lequel transitent les données (les requêtes et les réponses).
• Le transport est géré
  • par le système d’exploitation (lorsque les données transitent au sein d’un même ordinateur)
  • ainsi que par des routeurs (lorsque les données transitent d’un ordinateur à l’autre sur le réseau).
• Au niveau du client,
  • les réponses en provenance du serveur sont organisées sous la forme d’une liste,
  • qu’on appelle un flux de données.

L’analyse des données a pour but de recomposer l’information contenue dans les données recueillies afin d’en fournir une vue plus synthétique, ou d’extraire des informations qui n’apparaissent pas de façon explicite dans la série de mesures initiale :

REPRESENTATION DES DONNEES : Représenter des jeux de valeurs de grande taille de façon plus synthétique (algorithmes de réduction de dimension)

REGROUPEMENT (“CLUSTERING”) : Définir des regroupements (ou des classements simples ou hiérarchiques) entre jeux de valeurs

COMPLETION : Méthodes de classification automatique (ou d’interpolation) visant à deviner soit la classe, soit certaines valeurs non mesurées, à partir d’un jeu de valeurs et d’une base d’exemples complets. Il existe des méthodes paramétriques ou non paramétriques.

ESTIMATION ET DECISION : Méthodes visant à estimer la “valeur” associée à un jeu de données (pour l’aide à la décision)

On distingue classiquement deux grandes catégories de données :

• données quantitatives:
  • numérique entier ou réel, discrètes ou continues, bornées ou non. ex: poids, taille, âge, taux d’alcoolémie,…
  • temporel : date, heure
  • numéraire
  • etc…
• données qualitatives:
  • de type vrai/faux (données booléennes). ex: marié/non marié, majeur/non majeur
  • de type appartenance à une classe. ex: célibataire/marié/divorcé/veuf, salarié/chômeur/retraité etc…
  • de type texte (autrement dit “chaine de caractères”). ex: nom, prénom, ville,…

• Les données manipulées par un programme:
  • sont codées sous un format binaire,
  • correspondant à un des types informatiques que vous connaissez déjà :
    • entier,
    • chaîne de caractères,
    • réel simple ou double précision etc…
  • ce qui implique en particulier :
    • une précision finie,
    • éventuellement des contraintes de place (le nom ou le prénom ne pouvant pas dépasser n caractères, les entiers pouvant être choisis sur un intervalle fini etc…).

• Les types des valeurs étant déterminés (selon les cas de taille fixe ou variable),
  • la structure de données correspond au “véhicule” qui servira à transporter et échanger les données (entre programmes, entre ordinateurs).
  • Différentes structures de données sont possibles pour l’encodage et le stockage d’un jeu de valeurs, voir :
    • Données non structurées
    • Données vectorielles
    • Tuples
    • Données structurées
    • Données Hiérarchisées

Le Tuple est la structure de données de base servant pour le recueil, le transport et le stockage des données.

("Dubois", "Martine", 22, "29/10/1994", "Orléans")

• Textes,
• comptes rendus,
• série de notes, de valeurs sans format précis :

–> format texte en général.

• Chaque jeu de valeurs est codé sous la forme d’un vecteur
  • constitué de grandeurs entières ou réelles :
  • toutes les valeurs sont quantitatives (numériques).
• C’est un encodage adapté aux grandeurs physiques :
  • chaque champ du formulaire est codé dans un format numérique
  • il est possible de représenter les données dans un espace vectoriel

Données organisées sous la forme d’une liste de valeurs qualitatives ou quantitatives. Le tuple est la structure de base servant pour la transmission des données (simple, facile à coder et à échanger).

Dubois,Martine,"28, rue des Lilas, 45000 Orléans",45

• Données organisées sous la forme d’une liste d’attributs.
  • Chaque attribut est défini par un nom et un format (type).
  • Chaque valeur est stockée sous la forme d’un couple (attribut : valeur).

{"nom" : "Dubois", "prénom" : "Martine", "adresse" : "28, rue des Lilas, 45000, Orléans", "âge" : 45}

• Organisation des données correspondant à une structure d’arbre.
• Dans le cas d’un recueil de données, correspond à la définition de rubriques et sous-rubriques.

<nom> Dubois </nom>
<prénom> Martine </prénom>
<adresse>
  <num> 28 </num>
  <voie> rue des Lilas </voie>
  <code postal> 45000 </code postal>
  <ville> Orléans </ville>
</adresse>
<âge> 45 </âge>

{
  "nom" : "Dubois",
  "prénom" : "Martine",
  "adresse" :
  {
    "numero" : 28,
    "voie" : "rue des Lilas",
    "code_postal" : 45000,
    "ville" : "Orléans"
  },
  "âge" : 45
}

Un jeu de valeurs encodé et stocké sur un support informatique est appelé un “enregistrement”. Un enregistrement, qui contient en principe plusieurs valeurs, obéit à une structure de données de type tuple.

• Les trames de données servent au transport et à la conservation des tuples.
• Une trame peut obéir à un format textuel ou binaire

Une série d’enregistrements obéit formellement à une structure de type liste de tuples (ou ensemble de tuples), chaque élément de la liste étant un tuple particulier.

• Les blocs de données servent à la conservation des données sur les supports de stockage
• Un bloc de données est un tableau (de taille fixe n) contenant des tuples.

Nous verrons dans un autre chapitre une description plus formelle d’une série d’enregistrements comme “ensemble d’entités” ou encore “relation”.

La difficulté consiste à définir une structure de données permettant de gérer efficacement un tel ensemble (qui peut être de grande taille) stocké sur un disque dur. On parle de structure de stockage. Une telle structure doit permettre : d’ajouter des tuples de supprimer des tuples d’accéder rapidement à un tuple particulier (pour lire son contenu)

Encodage binaire :

• Définition d’une trame, en général de taille fixe.
• Chaque rubrique occupe un nombre d’octets déterminé, afin que chaque jeu de données occupe la même place en mémoire.
• L’utilisation de trames de taille fixe facilite le stockage et la conservation des données sur les supports magnétiques (disque dur, etc…)
• Les données sont transmises dans un format numérique (type) identique à celui utilisé en mémoire centrale.

Encodage textuel :

• Le jeu de données est codé dans un format descriptif (contenant à la fois les valeurs et une description des données : types, attributs, …).
• Ce format facilite la transmission d’un programme à un autre (format “plat”) mais est moins propice au stockage.
• La “sérialisation” est l’opération qui consiste à encoder des données sous la forme d’un texte brut (codage ASCII ou utf8), en “perdant” le moins possible d’information.
• Des exemples de formats textes standards sont donnés en 2.1.3 Structures de données.

La structure de base servant à stocker à une série d’enregistrements est le tableau de données à 2 dimensions :

• Tableau de données (data frame) = intitulé de colonnes + liste de lignes
  • Intitulé de colonne = nom de l’attribut
  • une ligne = un tuple

Propriété :

• les tuples sont implicitement ordonnées selon leur numéro de ligne
• il peut y avoir des doublons

Structure sous-jacente : tableau à 2 dimensions (ou matrice de données)

Inconvénient: il s’agit d’une structure statique. Une fois les données sauvegardées sur le disque, il est difficile d’insérer ou de supprimer des éléments.

Les lignes d’une table correspondent physiquement à des enregistrements (ou tuples). Les tuples sont rangés dans des fichiers, stockés sur le disque dur.

Pourquoi stockées sur le disque dur?

• volume très important des données
• les données doivent survivre à un arrêt du serveur

Le volume est le support sur lequel sont enregistrées les données. On parle de mémoire secondaire (Disque dur, disquette,CD-ROM, etc…). Un volume est divisé en pistes concentriques numérotées de 0 à n ( par ex n = 1024). Chaque piste supporte plusieurs enregistrements physiques appelés secteurs, de taille constante (1 secteur = 1 page).

Les pages sont les unités de base pour la lecture et l'écriture. une page est une zone contiguë de la mémoire secondaire qui peut être chargée en mémoire centrale en une opération de lecture. Taille standard : une page = 1-2 ko.

La mémoire secondaire est donc organisée comme un tableau de pages : (T[0],…,T[L-1]), où L est le nombre de pages. Chaque page fait m octets. Chaque page peut être libre ou occupée.

La mémoire secondaire n’est pas directement accessible (les programmes n’ont pas la possibilité d’aller écrire directement sur le disque). Le système d’exploitation assure ainsi l’indépendance du programme par rapport à l’emplacement des données, au travers d’instructions d’entrée/sortie spécialisées. Pour que les programmes puissent écrire sur le disque, on introduit des objets intermédiaires : les fichiers. Un fichier est caractérisé par (nom, emplacement (volume, arborescence), droit d’accès, taille,…). Il s’agit d’une entité logique. Tout programme utilisant un fichier passe par le système d’exploitation qui, à partir des informations, détermine la localisation des données sur le support.

• La gestion des fichiers est une des fonctions essentielles des systèmes d’exploitation :
  • possibilité de traiter et conserver des quantités importantes de données
  • possibilité de partager des données entre plusieurs programmes.

Répertoires Chaque volume possède un numéro appelé le label du volume. Tous les descripteurs de fichiers sont regroupés dans une table des matières appelée Répertoire (Directory).

Remarque : cette table des matières est en fait un fichier dont le descripteur est contenu dans le label du volume.

Organisation hiérarchique :

• Lorsque le nombre de fichiers est élevé, les descripteurs de fichiers sont classés dans plusieurs répertoires, organisés sous une forme arborescente.
• Le répertoire de plus bas niveau hiérarchique est appelé racine → chemin d’accès (path)

Méthode traditionnelle pour le traitement de fichiers de petite taille. La consultation des données nécessite d’ouvrir une “communication” entre le programme et les fichiers. Ce canal de communication permet de recevoir un flux de données.

Pour établir la communication, il faut connaître : le “chemin d’accès” aux données (disque dur local) l’”adresse” des données (lorsqu’il s’agit de données stockées sur un serveur distant)

L’opération d’ouverture de fichier initialise un descripteur de fichier, qui sert à désigner (dans le programme) le fichier sur lequel on travaille, et d’accéder au contenu du flux.

Ouverture simple:

f = open('monfichier.dat','r')

FileReader d = new FileReader ("monfichier.dat");
BufferedReader f = new BufferedReader(d);

import java.io.*;

Il est important de vérifier que cette opération d’ouverture s’effectue correctement avant de poursuivre le programme (nombreuses possibilités d’erreur : fichier effacé, erreur de nom, pas de droits de lecture,…). On utilise une instruction de test spécifique pour vérifier que l’ouverture du fichier s’est correctement effectuée, de type try…catch… (essaye … sinon …) permettant de prévoir une action de secours lorsqu’une une opération “risquée” échoue.

try :
  f = open('monfichier.dat','r')
except IOError:
  print "Erreur d'ouverture!"

try{
  FileReader d = new FileReader ("monfichier.dat");
  BufferedReader f = new BufferedReader(d);
}        
catch (Exception e){
  System.out.println("Problème d'ouverture!");
}

Lorsque l’opération d’ouverture est réalisée avec succès, le flux de données devient accessible en lecture (les premières lignes du fichier sont chargées en mémoire et une tête de lecture se positionne sur le premier caractère de la première ligne). Il ne reste plus qu’à lire les données.

La consultation des données s’effectue séquentiellement à l’aide de l’opérateur de lecture readline. Chaque appel à cet opérateur charge les nouvelles données et déplace la tête de lecture vers les données suivantes. Cette opération peut être effectuée plusieurs fois jusqu’à atteindre la fin de fichier.

Si on suppose que les données sont rangées sous la forme d’une série de tuples, chaque opération de lecture consiste à consulter un tuple, et à positionner la tête de lecture sur le tuple suivant.

s = f.readline()

s = f.readLine()

for s in f :
  print s

String s;
while ((s = f.readLine()) != null){
    System.out.println(s);
    }

L’opération de sauvegarde des données est l’opération complémentaire de la lecture. De nouvelles données doivent être enregistrées sur le disque dur en vue d’une consultation future. Le format de sauvegarde peut être de type texte ou de type binaire. Nous présentons ici la sauvegarde des données dans des formats texte.

Comme dans le cas de l’opération de lecture, il faut au préalable définir dans le programme un descripteur de fichier servant de point d’entrée pour les opération d’écriture. On effectue ce qu’on appelle une ouverture en mode “écriture”.

Python

try :
  f = open('monfichier.dat','w')
except IOError:
  print "Erreur d'ouverture!!"
  

Java

try{
  FileWriter d = new FileWriter ('monfichier.dat');
  BufferedWriter f = new BufferedWriter(d);
  }        
catch (Exception e){
  System.out.println("Problème d'ouverture!");
  }

On notera qu’il existe en python (ainsi qu’en C, C++, …) plusieurs modes d’ouverture exprimés par le deuxième argument de la fonction open. On retiendra le mode ‘w’ (création d’un nouveau fichier vide) et le mode ‘a’ (ajout de nouvelles données à la suite d’un fichier déjà existant).

La sauvegarde dans le fichier s’effectue à l’aide d’un opérateur d’écriture. Dans le cas des chaînes de caractères, l’opérateur d’écriture sauvegarde ces données à la suite des données déjà écrites.

Python

f.write("Bonjour!\n")

Java

f.write("Bonjour!\n");

La sauvegarde de données nécessite d’effectuer un choix sur le mode d’encodage, obéissant en général à une norme bien précise (csv, json, xml, etc…). Voir section 1.3.

Une fois les opérations de lecture ou d’écriture terminées, il est nécessaire de fermer le fichier. L’opération de fermeture assure que les données sont effectivement enregistrées sur le disque (et non simplement stockées dans la mémoire tampon - voir section XXX).

Voir aussi :

• Gestion des fichiers sous Unix