Novice dans la programmation

Super, je te remercie pour ces deux options. J'ai choisi le langage C et je commence à taper des lignes de codes dans Code::Blocks, avec un manuel en parallèle. Tu penses que ça fera l'affaire?

Le C est l'un des langages les plus durs à apprendre.
Il sert en électronique ou de base d'apprentissage pour les analystes programmeurs (et encore de moins en moins).

Python est assez accessible, gratuit et nativement multiplateforme.
Java est plus performant, gratuit et nativement multiplateforme.
C# est aussi performant que Java, gratuit dans certaines condition et optionable en multiplateforme.

Je code en C#, donc évidement c'est par ce langage que j'aborderais ton projet, mais les 2 autres en raison de leur gratuité sont des choix plus que judicieux.

Numéro de lettre, numéro de pages et numéro de mot

En fait, tout part d'un fichier pdf, qui contient les 24 lettres de l'alphabet grec moderne et que j'ai numéroté de 1 à 24.

α = 1,
β = 2,
γ = 3,
δ = 4,
ε = 5,
ζ = 6,
η = 7,
θ = 8
...
ω = 24

Ces lettres commencent à des endroits différents du fichier et répertorient à la façon d'un dictionnaire des mots de vocabulaire en grec.

Donc, tu es d'accord avec moi que si le générateur me donne le numéro 1 comme première coordonnée, on atterri dans le champ de la lettre α? Mais ce n'est pas suffisant, puisque sur les 136 pages du fichier, la lettre α s'étale de la page 14 à 24.

Il me faut alors une deuxième coordonnée allant de 14 à 24. Prenons par exemple le nombre 20. Mais ce n'est pas suffisant encore, puisque la page 20 contient 24 mots de vocabulaire. Il me faut donc une troisième coordonnée allant de 1 à 24. Prenons 16...

... et rassemblons les 3 coordonnées ensemble :

Numéro de lettre : 1
Numéro de page : 20
Numéro de mot : 16

Résultat : αντίστροφα (compter à l'envers)

Parce qu'un fichier vaut mieux que mille mots : http://www.ilsp.gr/files/Glossary-Filoglossia.pdf

Ok, du coup page 20 mot 16 suffit non?

Je sais pas, ce que je voudrais principalement c'est qu'une sorte de générateur me donne une combinaison, comme celle du dessus (12016), me sorte le mot en question et surtout qu'il ne me donne pas une combinaison déjà vue

Un pdf c'est un fichier, c'est pas du code exécutable.

Comme je te l'ai dit plus haut je fais du C#, je ne connais pas (ou très très peu) le C ni code::block.

Pas de soucis de toutes façons j'ai désinstallé et réinstallé Code:Blocks et tout est rentré dans l'ordre

en C, c'est un peu plus long (mais pas tant que çà en fait), et cela donne :

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <time.h>

int main(void)
{
	/* check if rand can generate up to 575133 */
	if (RAND_MAX < 575133) {
		printf("RAND_MAX = %d, cannot generate up to 575133\n", RAND_MAX);
		return 1;
	}

	/* open dic file and store it in a buffer */
	FILE * fich = fopen("Greek.dic", "rb");
	fseek(fich, 0, SEEK_END);
	long fsize = ftell(fich);
	fseek(fich, 0, SEEK_SET);
	char * words = malloc(fsize + 1);
	fread(words, fsize, 1, fich);
	fclose(fich);

	/* terminate the buffer with '\0' so we have a valid C string */
	words[fsize] = '\0';

	/* splitting buffer into strings for each word 
	 * and store each word address in an array */
	char * idx[575133];
	unsigned long count = 0;
	char * p;
	p = strtok (words,"\n");
	while (p != NULL) {
		idx[count] = p;
		count++;
		p = strtok (NULL, "\n");
	}

	/* draw 10 words randomly without repetition */
	int ndraws;
	char * draws[10];

	srand(time(NULL));
	
	for (ndraws = 0; ndraws < 10; ndraws++) {
		unsigned long i;
		do {
			i = rand() % 575133;
		} while (idx[i] == NULL);
		draws[ndraws] = idx[i];
		idx[i] = NULL;
	}

	/* display the draws and do whatever with them */
	for (ndraws = 0; ndraws < 10; ndraws++) {
		printf("draw %d = %s\n", ndraws, draws[ndraws]);
	}

	return 0;
}

compilation et exécution :

$ gcc -Wall realness.c 
$ ./a.out 
draw 0 = κασάτο
draw 1 = επτασύλλαβου
draw 2 = εκφυλίσει
draw 3 = ταΐστηκα
draw 4 = χαζολογώ
draw 5 = ζάλωσαν
draw 6 = κράτα
draw 7 = στοιβάζουν
draw 8 = καλοζυγιαζόμουν
draw 9 = Έσε
$

Dal

Pas de problème Realness

Tu es sûr qu’on peut pas faire quelque chose avec ma base de données

Ce que tu as n'est pas une base de données. C'est un fichier PDF, c'est à dire un document informatique conçu pour l'impression et non pour un accès informatique à des données structurées.

comme la convertir en fichier texte plus facile à exploiter qu’un pdf? Tu as dit que ça représenterait beaucoup d’efforts, mais je suis prêt à y mettre le temps

Ton fichier PDF n'est pas chiffré et donc son contenu peut effectivement être extrait dans une certaine mesure, même par copier-coller, ou avec des outils d'extraction comme celui proposé par carol103. Je ne connais pas cet outil particulier, mais j'ai testé quant à moi ton fichier avec l'outil Linux

pdftotext

et avec la fonction d'exportation du lecteur de PDF Okular (qui existe aussi pour Windows).

Okular dispose aussi d'une fonction efficace de sélection de blocs permettant la récupération de colonnes entières sur ton document par copier-coller.

Si tu disposes d'Adobe Acrobat, essaye leurs fonctions d'exportation aussi (non testé je n'en dispose pas sur mon poste actuel).

Ces différents outils ont les problèmes suivants :
- la prononciation phonétique entre crochets n'apparaît pas correctement (certainement un problème de police et/ou d'encodage non UTF-8 pour cette police)
- le document étant en colonnes, selon les outils d'extraction, tu vas avoir : (1) sur une même ligne la lettre d'index apparaissant en marge gauche, suivie d'une partie de la définition présente sur la colonne de gauche, suivie d'une partie de la définition présente sur la colonne de droite (inutilisable) ; ou (2) dans le meilleurs des cas l'outil gérera les colonnes et tu auras des informations consécutives pour chaque colonne de chaque page, séparées par des blancs, des numéros de page ou autres caractères liés à la mise en page à supprimer, ensuite, selon ce que tu veux récupérer pour ton programme, tu devras rectifier les lignes coupées prématurément, les traits d'union quand un mot est coupé car il ne tient pas dans la colonne, etc.

Bref, un travail manuel important à réaliser pour, au final, réaliser ta propre base de données.

Selon ce que tu veux mettre dedans, tu pourras créer un fichier texte, avec une ligne par mot, et des champs séparés par un caractère séparateur ne se trouvant pas dans les définitions (oublie la virgule), par exemple le ; (qui ne semble pas utilisé) et cela pourrait donner cela :

012101;αξίζω
012102;απαγορεύω
012103;απαισιόδοξος, απαισιόδοξη, απαισιόδοξο

et dans ce cas ton programme pourra tirer aléatoirement des mots et indiquer la localisation du mot dans le document, mais pas le reste (tu devras te reporter au document PDF, à la lettre, page et numéro de mot tiré par le programme)

ou :

012101;αξίζω;VB [] 1. cost: Αυτός ο πίνακας αξίζει 6.000 ευρώ. This painting costs 6.000 euros. 2. deserve: Σου αξίζει ένα μεγάλο δώρο για την επιτυχία σου. You deserve a great gift because of your success.
012102;απαγορεύω;VB [] forbid: Η αστυνομία απαγόρευσε την είσοδο στο κτήριο. The police have forbidden entrance to the building.
012103;απαισιόδοξος, απαισιόδοξη, απαισιόδοξο;ADJ [, , ] pessimistic: Μην είσαι τόσο απαισιόδοξος για το μέλλον! Don’t be so pessimistic about the future!

et dans ce cas ton programme pourra tirer aléatoirement des mots, indiquer la localisation du mot dans le document et afficher les autres informations affichables relevant du 3ème champ. Tu peux même découper les champs plus finement.

Un autre point d'attention est que, certainement, pour exploiter ce document de cette façon, tu devrais demander la permission à l'éditeur et/ou aux auteurs. Surtout si tu en fais un usage autre que purement privé.

Si tu demandes gentiment, en expliquant ce que tu veux en faire, ils pourraient même te fournir le document sous une forme plus exploitable.

A ce propos, tu disais :

j’ai également le code source du fichier pdf mais je ne sais vraiment pas par où commencer

Si par "code source" tu veux dire ce que tu vois en ouvrant le fichier PDF avec un éditeur de texte commençant par "%PDF-1.5", tu n'as rien d'autre que le fichier PDF, et rien de plus exploitable.

Selon les propriétés du document PDF, ce document est produit par Adobe InDesign CS5.5. si tu disposes de ce logiciel (coûteux) et du fichier au format Adobe InDesign qui est la source de ce document PDF. Si tu dispose de ces éléments, utilises les (si tu disposes des droits pour ce faire :-).

Bonne chance dans ton projet.

Dal

Le code de localisation devrait plutôt être du type 0102101, selon la convention que tu veux utiliser, puisque tu as 24 lettres (2 digits) plus d'une centaine de pages (3 digits) et moins de 100 définitions par pages (2 digits)

Au sujet des caractères de phonétique, j'ai trouvé l'origine du problème. Les codes de caractères insérés dans le document PDF pour les représenter sont définis en dehors des plages du standard Unicode.

par exemple le premier caractère phonétique utilisé pour Alpha a un code de caractère U+F061 :

https://codepoints.net/U+F061

et comme dit Wikipedia, cité par cette page au sujet des Private Use Areas :

The code points in these areas can not be considered as standardized characters in Unicode itself. They are intentionally left undefined so that third parties may define their own characters without conflicting with Unicode Consortium assignments.

donc, tu ne peux pas afficher ces caractères correctement sans la police particulière traitant ces codes non standard et un programme capable de l'utiliser (certainement pas un programme console)

Pour le "code de localisation", c'est ton idée :-)

c’est-à-dire 24 lettres (2 digits) plus d'une centaine de pages (3 digits) et moins de 100 définitions par pages (2 digits). Ça nous donne donc 1 ;14 ;1 ou 1141 sans les « ; »

non : 0101401

Si tu dois les utiliser groupés, écris toujours en utilisant le même format : les 2 premier chiffres représentent la lettre, les trois suivants la page, les deux derniers la position dans la page (il y en a 7, pas 6, hein...). Sinon, tes identifiants risquent de ne pas être uniques.

Son usage ne me paraît pertinent que si tu veux conserver la possibilité, pour ton programme, de dire exactement où se trouve le mot tiré dans le document PDF de référence, pour le retrouver manuellement plus facilement.

Autrement, cela devient redondant, c'est du travail pour rien, et cela n'apporte rien à ta base. Tu pourrais juste référencer chaque ligne 0, 1, 2, 3, 4, etc. pour distinguer et identifier tes lignes dans ta base et tes tirages seront facilités.

saisie manuelle des coordonnées en même temp que du fichier pdf dans Word

N'utilise pas MS Word pour saisir. C'est un traitement de texte, et il a la fâcheuse tendance de rajouter des caractères que tu ne tapes pas pour te "faciliter la vie". Utilise un éditeur de texte brut, en t'assurant qu'il sauvegarde bien en Unicode.

Ou à la rigueur Excel, en exportant ensuite au format CSV (il mettra les caractères séparateurs des colonnes tout seul).

le caractère « ; » est utilisé dans la langue moderne grecque, il représente leur « ? » à eux. Par contre, le « * » est utilisé nulle part dans le fichier. Tu penses que c’est jouable d’utiliser « * » au lieu de « ; » comme caractère séparateur?

Le but en choisissant la virgule ou le point-virgule est d'employer des caractères couramment utilisés dans le format CSV, ce qui aurait l'avantage de rendre ton fichier lisible par un tableur, ou importable dans un système de gestion de base de données, tout en restant un format facile à exploiter dans un programme simple en C.

On peut même utiliser des virgules (ce qui est le séparateur supposé "normal"), si le champ où se trouve des virgules dans du contenu est entre guillemets (et s'il y a des guillemets dans le contenu, en les doublant).

vois https://en.wikipedia.org/wiki/Comma-separated_values#Example

Tu devrais t'en tenir à la virgule ou au point-virgule pour faciliter la réutilisation directe de ton travail.

En attendant, il y’a eu une évolution dans mon projet, puisque j’ai réussi à extraire le document pdf de base en « texte » (il fallait tout simplement passer par une fonction payante d’Adobe Acrobat qui permet de transposer le fichier pdf en fichier Excel et qui distribue les mots avec définitions verticalement dans les lignes du tableur).

C'est super si tu disposes d'Abobe Acrobat et cette fonction.

J’ai aussi essayé comme tu l’a dit d’enregistrer le fichier en format CSV (Windows) et ça m’a sorti un autre fichier avec que des « ? » à la place des caractères grecs… Je sais pas du tout si c’est un problème d’encodage ou autre.

Oui, l'encodage doit être Unicode et le visualiseur du fichier Unicode doit être capable de lire l'Unicode.

Sur ma version d'Excel (2010) fonctionnant sous Wine (je suis sous Linux), la sauvegarde en .csv ne me donne pas la possibilité de choisir l'encodage. En revanche, j'ai une option de sauvegarde en texte Unicode, qui produit une exportation correcte en texte brut Unicode séparant les champs par des tabulations (un test avec file dessus donne "Little-endian UTF-16 Unicode text, with CR line terminators").

De toutes façons, je viens de finir d’apposer les codes de localisation pour la lettre A (Α, α) (0101401 etc.) dans le fichier Excel, donc tu penses que je peux commencer à faire un essai moi-même avec toutes les coordonnées de cette lettre (333) pour voir ce que le programme donne ? Comme une sorte de « premier jet » ? Je sais, je suis pressé !

Pourquoi pas, cela te permettra de valider ce que tu veux faire.

Si tu parviens à exporter en texte brut, tu pourras traiter le contenu avec la tabulation (code ASCII 9).

Autrement, Excel dispose aussi de son langage (VBA), et aussi de Ctrl-F :-)


Dal

Si tu veux le faire en C, tu peux t'inspirer du programme que j'ai proposé dans ce post pour charger en mémoire le contenu du fichier csv et y accéder sous la forme d'un tableau de struct contenant des pointeurs vers les éléments :

https://forums.commentcamarche.net/forum/affich-34387343-string-char-traitement-fichier-csv#15
(exemple simplifié de parsing sur une ligne simulée)
https://forums.commentcamarche.net/forum/affich-34387343-string-char-traitement-fichier-csv#18 (exemple pour une lecture ligne par ligne d'un fichier avec fgets et allocation de mémoire ligne par ligne)

rétrospectivement, je trouve cela un peu compliqué de passer par fgets, et, pour l'allocation mémoire, tu pourrais adapter ce que j'ai proposé plus haut https://forums.commentcamarche.net/forum/affich-35265601-novice-dans-la-programmation#17 pour tout charger en mémoire d'un coup avec fread, utiliser d'abord strtok sur les retours à la ligne pour délimiter les lignes, et pour chaque ligne, utiliser strtok sur la tabulation (ton caractère séparateur) pour délimiter les champs et mettre les pointeurs dans un tableau de struct.

dans ton cas, comme tu connaîtras à l'avance le nombre de mots, tu peux tout de suite dimensionner ton tableau de struct et tout charger d'un coup t'évite de faire plusieurs passes et optimise la mémoire utilisée.

Dal