Символи та таблиця ASCII

Чому 'A' + 1 дорівнює 'B'

Ви вже знаєте, що в C++ існує тип char для зберігання одного символу. Але подивіться на цей фрагмент коду:

#include <iostream>

using namespace std;

int main()
{
    char first = 'A';
    char next  = first + 1;
    char digit = '7' - '0';

    cout << next  << "\n"; // B
    cout << (int)digit << "\n"; // 7

    return 0;
}

Чому додавання одиниці до символу 'A' дає символ 'B'? Чому віднімання '0' від символу-цифри '7' дає звичайне число 7? І чому взагалі можна виконувати арифметику над символами? Це не магія — це пряме наслідування того, що char насправді є числом. А яке число відповідає якому символу — визначає таблиця кодування.

Тип char — це просто маленький цілочисельний тип

Байт, біти та діапазон значень

Ви вже знаєте зі статті про типи даних, що char займає рівно 1 байт — 8 біт. Вісім біт дають 256 можливих комбінацій: від 0000 0000 до 1111 1111. Отже, char може зберігати одне з 256 різних чисел.

Залежно від того, як компілятор інтерпретує 8-й біт (знаковий чи ні), розрізняють:

• signed char — діапазон від −128 до 127 (знаковий тип, старший біт = знак)
• unsigned char — діапазон від 0 до 255 (беззнаковий тип)
• char — залежить від платформи; на більшості сучасних систем signed, але це не гарантовано стандартом

#include <iostream>

using namespace std;

int main()
{
    signed char   sc = -1;
    unsigned char uc = 255;
    char          ch = 'A';  // 65 у внутрішньому представленні

    cout << (int)sc << "\n"; // -1
    cout << (int)uc << "\n"; // 255
    cout << (int)ch << "\n"; // 65

    return 0;
}

Зверніть увагу на (int)ch — без явного приведення std::cout виведе символ A, а не число 65. Ми говоримо компілятору: «інтерпретуй цей байт як ціле число, а не символ».

char у пам'яті

Символ 'A' зберігається в пам'яті як байт зі значенням 65 (або 0x41 у шістнадцятковій):

Порівняйте з int x = 65 — значення те саме, але займає 4 байти:

char ch = 'A' і char ch = 65 — це абсолютно ідентичні оголошення. Компілятор зберігає в обох випадках один байт зі значенням 65. Різниця лише в тому, як програміст записує ініціалізатор — одинарні лапки ('A') або числовий літерал (65).

@startuml
skinparam style plain
skinparam defaultFontName "JetBrains Mono"
skinparam backgroundColor #f8fafc
skinparam defaultFontSize 13

title signed char vs unsigned char — діапазони значень

rectangle "signed char" as sc #3b82f6 {
  rectangle "-128" as n1 #1d4ed8
  rectangle "   ...   " as n2 #2563eb
  rectangle "   -1   " as nm1 #2563eb
  rectangle "    0    " as n0 #2563eb
  rectangle "    1    " as np1 #2563eb
  rectangle "   ...   " as n3 #2563eb
  rectangle "+127" as n5 #1d4ed8
}

rectangle "unsigned char" as uc #22c55e {
  rectangle "  0  " as u1 #16a34a
  rectangle "  1  " as u2 #16a34a
  rectangle " ... " as u3 #16a34a
  rectangle " 128 " as u4 #16a34a
  rectangle " ... " as u5 #16a34a
  rectangle " 255 " as u6 #16a34a
}

note bottom of sc
  char ch = 65 → 'A'
  Знаковий: від'ємні значення можливі.
  Більшість платформ: signed за замовчуванням
end note

note bottom of uc
  unsigned char byte = 200 → коректно!
  Для <cctype>: завжди cast до unsigned char
end note

@enduml

Що таке кодування символів

Проблема: число є, але що воно означає?

Отже, char — це число від 0 до 255. Але саме по собі число нічого не каже. Байт зі значенням 65 — це буква 'A'? Кирилична 'А'? Якийсь спеціальний символ? Відповідь залежить від того, яку таблицю відповідності ми використовуємо.

Кодування символів (character encoding) — це стандартизована таблиця, що визначає, яке число відповідає якому символу. Це договір між усіма учасниками: комп'ютером, операційною системою, компілятором, текстовим редактором та людиною.

Аналогія з реального світу: уявіть азбуку Морзе. Три крапки (...) — це буква S. Але якщо хтось не знає, що ми використовуємо саме азбуку Морзе, а не, скажімо, шифр Цезаря — три крапки для нього лишаться беззмістовним сигналом. Кодування і є таким «ключем до розшифровки».

Чому потрібен єдиний стандарт

На зорі комп'ютерної ери кожен виробник мав власну таблицю кодування. IBM використовувала EBCDIC, різні термінали — власні схеми. Це означало, що текстовий файл, створений на одній системі, перетворювався на «кракозябри» (mojibake) на іншій. Обмін даними між різними комп'ютерами був вкрай складним завданням.

Рішення прийшло у 1963 році у вигляді стандарту ASCII.

Таблиця ASCII

Що таке ASCII

ASCII (American Standard Code for Information Interchange — Американський стандартний код для обміну інформацією) — перший широко прийнятий стандарт кодування символів, розроблений у США у 1963 році і затверджений як стандарт ANSI у 1968 році.

Ключові характеристики ASCII:

• Використовує 7 біт → 128 символів (коди від 0 до 127)
• Розроблявся для телетайпів (teletypes) — пристроїв передачі тексту по телефонних лініях
• Орієнтований на англійську мову: латинські букви, цифри, пунктуація
• Досі є основою всіх сучасних кодувань — UTF-8 повністю сумісний з ASCII

Структура таблиці ASCII

@startuml
skinparam style plain
skinparam defaultFontName "JetBrains Mono"
skinparam backgroundColor #f8fafc
skinparam defaultFontSize 13

title Таблиця ASCII — 4 логічні зони (0–127)

rectangle "0–31: Керуючі символи (Control Characters)" as ctrl #64748b {
  rectangle "0  → \\0  NUL (нуль-термінатор)" as nul #475569
  rectangle "7  → \\a  BEL (дзвінок)" as bel #475569
  rectangle "9  → \\t  TAB (табуляція)" as tab #475569
  rectangle "10 → \\n  LF  (новий рядок)" as lf  #475569
  rectangle "13 → \\r  CR  (повернення каретки)" as cr  #475569
  rectangle "27 → ESC" as esc #334155
}

rectangle "32–47 та 58–127: Пробіл і пунктуація" as punct #475569 {
  rectangle "32: SPACE" as sp  #334155
  rectangle "33: !" as ex  #334155
  rectangle "46: ." as dot #334155
  rectangle "64: @" as at  #334155
}

rectangle "48–57: Цифри '0'–'9'" as digits #3b82f6 {
  rectangle "48: '0'" as d0 #2563eb
  rectangle "49: '1'" as d1 #2563eb
  rectangle "  ...  " as dd #2563eb
  rectangle "57: '9'" as d9 #1d4ed8
}

rectangle "65–90: Великі літери 'A'–'Z'" as upper #f59e0b {
  rectangle "65: 'A'" as ua #d97706
  rectangle "  ...  " as ud #d97706
  rectangle "90: 'Z'" as uz #d97706
}

rectangle "97–122: Малі літери 'a'–'z'" as lower #22c55e {
  rectangle "97:  'a'" as la #16a34a
  rectangle "  ...  " as ld #16a34a
  rectangle "122: 'z'" as lz #16a34a
}

note right of digits
  '0'=48, тому:
  ch - '0' = числове значення цифри
end note

note right of upper
  'a' - 'A' = 32
  Різниця між регістрами — константа!
end note

note right of lower
  'z' - 'a' = 25
  Всього 26 літер в алфавіті
end note

@enduml

Таблиця ASCII поділяється на чотири логічні групи:

Повна таблиця ASCII (32–127)

Арифметика символів

Оскільки char — це число, з символами можна виконувати усі арифметичні та порівняльні операції. Це не просто цікавий факт — це основа багатьох алгоритмів обробки тексту.

Конвертація символу-цифри в числове значення

Символи '0'–'9' розташовані в ASCII послідовно (коди 48–57). Тому щоб отримати числове значення з символу-цифри, достатньо відняти код символу '0':

#include <iostream>

using namespace std;

int main()
{
    char ch = '7';

    // Неправильно: ch сам по собі — це число 55, а не 7
    // Правильно:
    int digit = ch - '0'; // 55 - 48 = 7

    cout << "Символ: " << ch    << "\n"; // 7
    cout << "Код:    " << (int)ch       << "\n"; // 55
    cout << "Число:  " << digit << "\n"; // 7

    return 0;
}

Цей прийом є повсюдним у реальному коді: конвертація рядка з цифрами у число (ручна реалізація atoi), перевірка коректності введення тощо. Важливо пам'ятати, що він лише для символів '0'–'9' — якщо ch не є цифрою, результат буде безглуздим.

Навігація по алфавіту

Літери 'A'–'Z' і 'a'–'z' також розташовані в ASCII послідовно, тому зміщення по алфавіту — це проста арифметика:

#include <iostream>

using namespace std;

int main()
{
    char letter = 'E';

    // Зсув вперед по алфавіту
    char shifted = letter + 3; // 'E' (69) + 3 = 72 = 'H'
    cout << shifted << "\n"; // H

    // Позиція літери в алфавіті (0-indexed)
    int pos = letter - 'A'; // 69 - 65 = 4
    cout << "Позиція 'E': " << pos << "\n"; // 4

    // Циклічний шифр Цезаря (зсув на 13, ROT13)
    char rotated = 'A' + (letter - 'A' + 13) % 26; // 'R'
    cout << "ROT13('E'): " << rotated << "\n"; // R

    return 0;
}

Перетворення регістру вручну

Оскільки між кодами великих і малих літер різниця рівно 32, перетворення регістру — це додавання або віднімання константи:

#include <iostream>

using namespace std;

int main()
{
    char upper = 'G';
    char lower = 'g';

    // Велика → мала: додати 32 (або 'a' - 'A')
    char toLower = upper + ('a' - 'A'); // 71 + 32 = 103 = 'g'

    // Мала → велика: відняти 32
    char toUpper = lower - ('a' - 'A'); // 103 - 32 = 71 = 'G'

    cout << toLower << "\n"; // g
    cout << toUpper << "\n"; // G

    // Перевірка: чи є символ великою літерою
    bool isUpper = (upper >= 'A' && upper <= 'Z');
    cout << boolalpha << isUpper << "\n"; // true

    return 0;
}

Порівняння символів

Оскільки порівняння символів — це порівняння їх числових кодів, 'a' < 'b' є правдою (97 < 98), а 'A' < 'a' — теж правда (65 < 97). Це є основою лексикографічного (алфавітного) сортування рядків:

#include <iostream>

using namespace std;

int main()
{
    cout << boolalpha;

    // Порівняння символів
    cout << ('a' < 'b')  << "\n"; // true  (97 < 98)
    cout << ('A' < 'a')  << "\n"; // true  (65 < 97)
    cout << ('Z' < 'a')  << "\n"; // true  (90 < 97) — усі великі < малих
    cout << ('9' < 'A')  << "\n"; // true  (57 < 65) — цифри < букв

    return 0;
}

Це має практичний наслідок: функція strcmp для рядків порівнює їх саме побайтово за ASCII-кодами. «Banana» стоятиме після «Apple» лексикографічно, бо 'B' (66) > 'A' (65). Але «apple» стоятиме після «Banana», бо 'a' (97) > 'B' (66). Регістр символів впливає на лексикографічний порядок у чистому ASCII.

@startuml
skinparam style plain
skinparam defaultFontName "JetBrains Mono"
skinparam backgroundColor #f8fafc
skinparam defaultFontSize 13

title Арифметика символів — практичні формули

rectangle "Цифра → число" as dig #3b82f6 {
  rectangle "ch = '7'   (ASCII 55)" as ch1 #2563eb
  rectangle "digit = ch - '0'" as op1 #2563eb
  rectangle "55 - 48 = 7" as r1 #1d4ed8
}
ch1 -down-> op1
op1 -down-> r1

rectangle "Велика → мала літера" as u2l #f59e0b {
  rectangle "ch = 'G'   (ASCII 71)" as ch2 #d97706
  rectangle "ch + ('a' - 'A')" as op2 #d97706
  rectangle "71 + 32 = 103 = 'g'" as r2 #b45309
}
ch2 -down-> op2
op2 -down-> r2

rectangle "Зміщення в алфавіті" as alpha #22c55e {
  rectangle "ch = 'A'   (ASCII 65)" as ch3 #16a34a
  rectangle "ch + 3" as op3 #16a34a
  rectangle "65 + 3 = 68 = 'D'" as r3 #15803d
}
ch3 -down-> op3
op3 -down-> r3

rectangle "Позиція літери (0-indexed)" as pos #64748b {
  rectangle "ch = 'E'   (ASCII 69)" as ch4 #475569
  rectangle "ch - 'A'" as op4 #475569
  rectangle "69 - 65 = 4" as r4 #334155
}
ch4 -down-> op4
op4 -down-> r4

note bottom
  Вся арифметика — звичайна цілочисельна!
  char — це просто маленький int
end note

@enduml

Бібліотека <cctype>: стандартні функції для символів

Писати власні перевірки на кшталт ch >= 'A' && ch <= 'Z' — це не лише багатослівно, але й ненадійно: такий підхід не враховує локалізацію і може давати неправильні результати для розширеного ASCII. Стандартна бібліотека C++ пропонує готові функції у заголовку <cctype>.

Функції класифікації символів

Усі функції приймають int (неявне розширення char) і повертають ненульове значення (true) або нуль (false):

#include <iostream>
#include <cctype>

using namespace std;

int main()
{
    char samples[] = {'A', 'z', '5', ' ', '!', '\n'};

    for (char ch : samples)
    {
        cout << "'" << ch << "' (код " << (int)ch << "):\n";
        cout << "  isalpha:  " << boolalpha << (bool)isalpha(ch) << "\n";
        cout << "  isdigit:  " << (bool)isdigit(ch) << "\n";
        cout << "  isalnum:  " << (bool)isalnum(ch) << "\n";
        cout << "  isspace:  " << (bool)isspace(ch) << "\n";
        cout << "  ispunct:  " << (bool)ispunct(ch) << "\n";
        cout << "  isupper:  " << (bool)isupper(ch) << "\n";
        cout << "  islower:  " << (bool)islower(ch) << "\n";
    }

    return 0;
}

Таблиця функцій <cctype>

Практичний приклад: валідація та нормалізація введення

#include <iostream>
#include <cctype>
#include <string>

using namespace std;

// Перевіряє, чи рядок є коректним ідентифікатором C++:
// починається з літери або _, далі — букви, цифри або _
bool isValidIdentifier(const string& s)
{
    if (s.empty()) return false;
    if (!isalpha(static_cast<unsigned char>(s[0])) && s[0] != '_')
        return false;

    for (size_t i = 1; i < s.size(); ++i)
    {
        if (!isalnum(static_cast<unsigned char>(s[i])) && s[i] != '_')
            return false;
    }
    return true;
}

// Перетворює рядок у верхній регістр
string toUpperCase(string s)
{
    for (char& ch : s)
        ch = static_cast<char>(toupper(static_cast<unsigned char>(ch)));
    return s;
}

int main()
{
    cout << boolalpha;
    cout << isValidIdentifier("myVar")   << "\n"; // true
    cout << isValidIdentifier("_count")  << "\n"; // true
    cout << isValidIdentifier("2fast")   << "\n"; // false
    cout << isValidIdentifier("my-var")  << "\n"; // false

    cout << toUpperCase("Hello, World!") << "\n"; // HELLO, WORLD!

    return 0;
}

@startuml
skinparam style plain
skinparam defaultFontName "JetBrains Mono"
skinparam backgroundColor #f8fafc
skinparam defaultFontSize 13

title Проблема кодових сторінок — байт 0xC0 у різних кодуваннях

rectangle "Байт у файлі" as byte #334155 {
  rectangle "0xC0  (11000000 у двійковому)" as bits #475569
}

rectangle "CP1251 (Windows-кирилиця)" as cp1251 #3b82f6 {
  rectangle "0xC0 → 'А' (кирилична велика А)" as r1251 #2563eb
}

rectangle "ISO 8859-1 (Latin-1, Захід Європи)" as iso #f59e0b {
  rectangle "0xC0 → 'À' (латинська A з наголосом)" as riso #d97706
}

rectangle "CP437 (DOS псевдографіка)" as cp437 #22c55e {
  rectangle "0xC0 → '└' (кут таблиці)" as r437 #16a34a
}

rectangle "KOI8-U (Unix-кирилиця)" as koi #64748b {
  rectangle "0xC0 → 'ю' (кирилична мала ю)" as rkoi #475569
}

byte -right-> cp1251 : "Windows"
byte -down->  iso    : "Unix/HTTP"
byte -left->  cp437  : "DOS"
byte -up->    koi    : "Unix email"

note bottom
  Один і той самий байт —
  чотири різні символи!
  Результат: «кракозябри» (mojibake)
  Рішення → Unicode (наступна стаття)
end note

@enduml

Extended ASCII та проблема кодових сторінок

8-й біт: ще 128 символів

Оригінальний ASCII використовує лише 7 біт (коди 0–127). Восьмий біт залишався вільним, і різні компанії та організації почали заповнювати коди 128–255 власними символами. Це і є розширений ASCII (Extended ASCII).

Проблема в тому, що єдиного стандарту розширеного ASCII не існує. Кожна «кодова сторінка» (code page) по-своєму визначає, що означають коди 128–255:

«Кракозябри» — наочна демонстрація проблеми

Уявіть: ви зберегли текст "Привіт" у файлі з кодуванням CP1251. Байти виглядають так:

0xCF 0xF0 0xE8 0xE2 0xB3 0xF2  (CP1251: "Привіт")

Якщо відкрити той самий файл, але вказати кодування ISO 8859-1 (Latin-1), браузер або редактор інтерпретує байт 0xCF як Ï, 0xF0 як ð, 0xE8 як è — і замість «Привіт» ви побачите: Ïðèâ³ò. Це і є «кракозябри» (mojibake).

Тизер: чому ASCII більше недостатньо

ASCII відмінно вирішив задачу для англійської мови. Але наш світ — багатомовний. Китайська мова має тисячі ієрогліфів, арабська — пишеться справа наліво, математична нотація вимагає грецьких та спеціальних літер, емодзі стали частиною цифрового спілкування.

Жодна кодова сторінка з 256 символами не здатна охопити всю людську писемність. У 1991 році світ отримав Unicode — єдиний каталог для понад мільйона символів усіх мов і скриптів. Але це — тема наступної статті.

Практика

Рівень 1: Розуміння та базові операції

Символ: G
Код:    71 (0x47)
Категорія: велика літера
Мала версія: g

#include <iostream>

using namespace std;

int main()
{
    char ch = "A";           // помилка 1
    int code = ch;
    char upper = ch - 32;    // помилка 2 (логічна): ch вже велика
    char digit = '5';
    int num = digit;         // помилка 3 (логічна): це дасть 53, а не 5

    cout << code  << "\n";
    cout << upper << "\n";
    cout << num   << "\n";
    return 0;
}

Рівень 2: Алгоритми обробки символів

Рівень 3: Більш складні завдання

Введіть текст: Hello, World!
+---------------+
| Hello, World! |
+---------------+

Резюме