Fichier texte

Un fichier texte (parfois orthographié textfile ; un ancien nom alternatif est flat file ) est un type de fichier informatique structuré comme une séquence de lignes de texte électronique . Un fichier texte existe stocké sous forme de données dans un système de fichiers informatique .

Dans les systèmes d'exploitation tels que CP/M , où le système d'exploitation ne conserve pas la taille du fichier en octets, la fin d'un fichier texte est indiquée en plaçant un ou plusieurs caractères spéciaux, appelés marqueurs de fin de fichier (EOF), en guise de remplissage après la dernière ligne d'un fichier texte. Dans les systèmes d'exploitation modernes tels que DOS , Microsoft Windows et les systèmes de type Unix , les fichiers texte ne contiennent aucun caractère EOF spécial, car les systèmes de fichiers de ces systèmes d'exploitation conservent la taille du fichier en octets.

Certains systèmes d'exploitation, tels que Multics , les systèmes de type Unix, CP/M, DOS, le système d'exploitation Mac OS classique et Windows, stockent les fichiers texte sous forme de séquence d'octets, avec un délimiteur de fin de ligne à la fin de chaque ligne. D'autres systèmes d'exploitation, tels qu'OpenVMS et OS /360 et ses successeurs , ont des systèmes de fichiers orientés enregistrements , dans lesquels les fichiers texte sont stockés sous forme de séquence d'enregistrements de longueur fixe ou d'enregistrements de longueur variable avec une valeur de longueur d'enregistrement dans l'en-tête d'enregistrement.

« Fichier texte » fait référence à un type de conteneur, tandis que le texte brut fait référence à un type de contenu.

Au niveau générique de description, il existe deux types de fichiers informatiques : les fichiers texte et les fichiers binaires .

En raison de leur simplicité, les fichiers texte sont couramment utilisés pour le stockage d'informations. Ils évitent certains des problèmes rencontrés avec d'autres formats de fichiers, tels que l'endianness , le remplissage d'octets ou les différences dans le nombre d'octets d'un mot machine . De plus, lorsqu'une corruption de données se produit dans un fichier texte, il est souvent plus facile de récupérer et de continuer à traiter le contenu restant. L'inconvénient des fichiers texte est qu'ils ont généralement une faible entropie , ce qui signifie que les informations occupent plus d'espace de stockage que ce qui est strictement nécessaire.

Un fichier texte simple peut ne nécessiter aucune métadonnée supplémentaire (autre que la connaissance de son jeu de caractères ) pour aider le lecteur à l'interprétation. Un fichier texte peut ne contenir aucune donnée du tout, ce qui est un cas de fichier de zéro octet .

Le jeu de caractères ASCII est le sous-ensemble de jeux de caractères compatible le plus courant pour les fichiers texte en anglais et est généralement considéré comme le format de fichier par défaut dans de nombreuses situations. Il couvre l'anglais américain, mais pour le symbole de la livre sterling , le symbole de l'euro ou les caractères utilisés en dehors de l'anglais, un jeu de caractères plus riche doit être utilisé. Dans de nombreux systèmes, ce jeu de caractères est choisi en fonction du paramètre régional par défaut de l'ordinateur sur lequel il est lu. Avant UTF-8, il s'agissait traditionnellement de codages sur un seul octet (tels que ISO-8859-1 à ISO-8859-16 ) pour les langues européennes et de codages de caractères larges pour les langues asiatiques.

Étant donné que les codages n'ont qu'un répertoire limité de caractères, souvent très restreint, beaucoup ne peuvent être utilisés que pour représenter du texte dans un sous-ensemble limité de langues humaines. Unicode est une tentative de création d'une norme commune pour représenter toutes les langues connues, et la plupart des jeux de caractères connus sont des sous-ensembles du très grand jeu de caractères Unicode. Bien qu'il existe plusieurs codages de caractères disponibles pour Unicode, le plus courant est UTF-8 , qui a l'avantage d'être rétrocompatible avec ASCII ; c'est-à-dire que chaque fichier texte ASCII est également un fichier texte UTF-8 avec une signification identique. UTF-8 a également l'avantage d' être facilement auto-détectable . Ainsi, un mode de fonctionnement courant des logiciels compatibles UTF-8, lors de l'ouverture de fichiers d'un codage inconnu, consiste à essayer UTF-8 en premier et à revenir à un codage hérité dépendant des paramètres régionaux lorsqu'il ne s'agit définitivement pas d'UTF-8.

Sur la plupart des systèmes d'exploitation, le nom fichier texte fait référence à un format de fichier qui autorise uniquement le contenu en texte brut avec très peu de mise en forme (par exemple, pas de caractères gras ou italiques ). Ces fichiers peuvent être visualisés et modifiés sur des terminaux texte ou dans des éditeurs de texte simples . Les fichiers texte ont généralement le type MIMEtext/plain , généralement avec des informations supplémentaires indiquant un codage.

DOS et Microsoft Windows utilisent un format de fichier texte commun, chaque ligne de texte étant séparée par une combinaison de deux caractères : retour chariot (CR) et saut de ligne (LF). Il est courant que la dernière ligne de texte ne soit pas terminée par un marqueur CR-LF, et de nombreux éditeurs de texte (y compris le Bloc-notes ) n'en insèrent pas automatiquement un sur la dernière ligne.

Sur les systèmes d'exploitation Microsoft Windows, un fichier est considéré comme un fichier texte si le suffixe du nom du fichier (l'« extension de nom de fichier ») est .txt. Cependant, de nombreux autres suffixes sont utilisés pour les fichiers texte à des fins spécifiques. Par exemple, le code source des programmes informatiques est généralement conservé dans des fichiers texte dont le nom de fichier contient des suffixes indiquant le langage de programmation dans lequel la source est écrite.

La plupart des fichiers texte Microsoft Windows utilisent le codage ANSI, OEM, Unicode ou UTF-8. Ce que la terminologie Microsoft Windows appelle « codages ANSI » sont généralement des codages ISO/IEC 8859 sur un octet (c'est-à-dire qu'ANSI dans les menus du Bloc-notes Microsoft est en réalité un codage « page de codes système », non Unicode, hérité), sauf dans les paramètres régionaux tels que le chinois, le japonais et le coréen qui nécessitent des jeux de caractères sur deux octets. Les codages ANSI étaient traditionnellement utilisés comme paramètres régionaux système par défaut dans Microsoft Windows, avant la transition vers Unicode. En revanche, les codages OEM, également connus sous le nom de pages de codes DOS , ont été définis par IBM pour être utilisés dans le système d'affichage en mode texte IBM PC d'origine . Ils incluent généralement des caractères graphiques et de dessin de lignes courants dans les applications DOS. Les fichiers texte Microsoft Windows codés en « Unicode » contiennent du texte au format de transformation Unicode UTF-16 . Ces fichiers commencent normalement par une marque d'ordre d'octet (BOM), qui communique le caractère endian du contenu du fichier. Bien que l'UTF-8 ne souffre pas de problèmes d'endianness, de nombreux programmes Microsoft Windows (par exemple le Bloc-notes) ajoutent au début du contenu des fichiers encodés en UTF-8 BOM, pour différencier l'encodage UTF-8 des autres encodages 8 bits.

Sur les systèmes d'exploitation de type Unix , le format des fichiers texte est décrit avec précision : POSIX définit un fichier texte comme un fichier contenant des caractères organisés en zéro ou plusieurs lignes, où les lignes sont des séquences de zéro ou plusieurs caractères non-saut de ligne plus un caractère de saut de ligne de fin, normalement LF.

De plus, POSIX définit unfichier imprimable en tant que fichier texte dont les caractères sont imprimables ou espace ou retour arrière selon les règles régionales. Cela exclut la plupart des caractères de contrôle, qui ne sont pas imprimables.

Avant l'avènement de macOS , le système Mac OS classique considérait le contenu d'un fichier (la branche de données) comme un fichier texte lorsque sa branche de ressources indiquait que le type du fichier était « TEXT ». Les lignes des fichiers texte Mac OS classiques se terminent par des caractères CR.

Étant un système de type Unix, macOS utilise le format Unix pour les fichiers texte. L'identifiant de type uniforme (UTI) utilisé pour les fichiers texte dans macOS est « public.plain-text » ; d'autres UTI plus spécifiques sont : « public.utf8-plain-text » pour le texte codé en utf-8, « public.utf16-external-plain-text » et « public.utf16-plain-text » pour le texte codé en utf-16 et « com.apple.traditional-mac-plain-text » pour les fichiers texte Mac OS classiques.

Lorsqu'un fichier est ouvert par un éditeur de texte, un contenu lisible par l'homme est présenté à l'utilisateur. Il s'agit souvent du texte brut du fichier visible par l'utilisateur. Selon l'application, les codes de contrôle peuvent être rendus soit sous forme d'instructions littérales appliquées par l'éditeur, soit sous forme de caractères d'échappement visibles qui peuvent être modifiés sous forme de texte brut. Bien qu'il puisse y avoir du texte brut dans un fichier texte, les caractères de contrôle du fichier (en particulier le caractère de fin de fichier) peuvent rendre le texte brut invisible par une méthode particulière.