C'est quoi ?

Pour assurer la persistance des données, ces dernières sont stockées dans des fichiers.

Il y a deux types de formats de fichiers dont voici les principaux :

• ceux lisibles par des éditeurs de texte comme Notepad++, Geany, Bloc-Notes, (on dit alors "de type texte") qui ne contiennent que des caractères alphanumériques : CSV, XML, JSON et vCard (extension .vcf) pour une collection de contacts. Les caractères sont codés en mémoire en respectant une norme d'encodage, telle que le Latin1 [html, fr] (spécialisé pour coder efficacement les caractères latins) ou l'UTF-8 [html, fr].

• les autres que les éditeurs de texte ne pourront pas lire correctement (on dit "de type binaire"). Ce sont principalement les formats des tableurs (LibreOffice Calc, Microsoft Office Excel, Numbers...) : ODS, XLS, XLSX ... et ceux des logiciels de gestion de bases de données (Dbase pour n'en citer qu'un): DBF ...

Le format CSV (Comma Separated Values, données avec des séparateurs) est à privilégier ; c'est le plus universel et le plus simple. C'est aussi très flexible : on peut troquer la virgule contre un point virgule ou une tabulation comme séparateur de données, si celles-ci contiennent elles-mêmes des virgules (comme français où la virgule est utilisée pour écrire des nombres décimaux).

Google Sheets est le tableur en ligne de Google. Les données s'affichent dans un navigateur, et sont en HTML, format de type texte de description de pages WEB. Les données en HTML sont lisibles par un traitement de texte mais sont polluées par les métadonnées et sont difficilement exploitables en dehors de Google Sheets. Fort heureusement, ce tableur offre, comme les autres, des exports dans les formats usuels.

En informatique, une extension de nom de fichier [html, fr] (ou simplement extension de fichier) est un suffixe de nom de fichier fait pour identifier son format. Il est séparé du nom par un point.

Par exemple, une collection au format ODS pourra s'appeler MaCollectionDeTimbres.ODS. Les extensions des formats XML, CSV et JSON les mêmes que leur nom : XML, CSV et JSON.

C'est grâce à cette extension qu'un système d'exploitation tel que Linux ou Windows sait qu'il faut lancer le programme LibreOffice Calc, pour lire ce fichier lorsqu'on clique dessus.

Par défaut, Windows n'affichent pas les extensions de fichiers. Cela peut être source d'erreur quand on code un programme informatique, par exemple en langage Python, dans lequel on doit lire le contenu d'un fichier. Il faut alors indiquer dans le code le nom complet du fichier, avec son extension, sans quoi le programme ne trouvera pas le fichier. Pour cette raison, il est conseillé, lorsque vous codez, de régler Windows de façon à faire apparaître les extensions de fichiers. Tapez dans un moteur de recherche les mots "Windows afficher extension" pour trouver comment faire.

Essayez d'ouvrir un fichier binaire (une image d'extension JPG par exemple) par un traitement de texte basique tel que Pluma Text Editor, qui n'est pas fait pour ça.

Quand on ouvre un fichier binaire avec un traitement de texte basique tel que Pluma Text Editor, voici le genre de résultat qu'il affiche :

?m'ýõã‹$SoŽâÄn0'H"ò¹ãÝsw|S..oS:Ù`^?–-??ê9?œ!?‘,Y8??~ëž;—Ëï.X??„È¡uŠ3á?âŽâb"...³"4? gͳ?Á‚?a?S\„?...,ÇY%?ÚèP?eZ´²±â?lK |+Æ

L'explication est qu'au moment de la lecture, le traitement de texte décode les données du fichier en utilisant les règles qu'il connaît, c'est à dire les encodages de caractères, comme le latin1 ou l'UTF8. Comme le fichier source n'a pas été codé de cette façon, on obtient cette suite de caractères cabalistiques. Les caractères affichés correspondent à la traduction des octets lus par le logiciel en caractères, en utilisant l'encodage des caractères par défaut du logiciel (UTF-8 ou Latin-1 souvent).

Voici la même table codée sous trois formats de type texte différents.

• CSV [html, fr] : les données sont séparées par une virgule pour cet exemple. La première ligne du format CSV contient la liste des descripteurs de la table, séparés eux aussi par une virgule. Chaque ligne correspond aux données d'un individu de la collection. Les séparateurs n'étant pas standardisés, ils peuvent être dans d'autres cas un point-virgule ou une tabulation par exemple on parle alors de format TSV (Tabulation-separated values)

• XML [html, fr] (Extensible Markup Language langage de balisage extensible) : c'est un langage "à balises". Chaque enregistrement est ici écrit sous la forme <descripteur>donnée</descripteur> , une donnée pouvant être elle-même une table (données hiérarchisées).

• JSON [html, fr] (JavaScript Object Notation) : cet exemple montre que JSON est similaire au XML. Les enregistrements, séparés par des virgules, sont écrits de la forme descripteur : donnée. Chaque individu de la collection est délimité par des accolades { ... }.

Les données ouvertes (Open Data en anglais) sont des informations accessibles librement et gratuitement, sous la forme de fichiers respectant des formats interopérables [html, fr].

La finalité est de donner la possibilité à tout citoyen, toute entreprise ou association d'utiliser ces données numériques à ses propres fin d'analyse pour en extraire l'information

Ces données ouvertes peuvent être d'origine publique : émanant des services publics, de collectivités, de communes etc.

Elles peuvent également être d'origine privée : provenant d'entreprises et d'institutions dont les données concourent à des projets d'utilité publique, comme par exemple la SNCF, la RATP .. etc.

En France, la mission gouvernementale Etalab [html, fr] coordonne la mise à disposition de jeux de données ouvertes.

Le site www.data.gouv.fr [html, fr] fournit une page web [html, fr] proposant des jeux de données ouvertes sur les émissions de CO2 et de polluants des véhicules commercialisés en France. Cette page a été trouvée en tapant simplement les mots véhicule et co2 dans la barre de recherche de ce site.

Comme cela peut être un critère de choix important lors d'un achat, chaque français dispose donc de ces données ouvertes et peut par exemple les récupérer et réaliser un traitement de classement des véhicules commercialisés selon leur émission de CO2 et de polluants.