RÈGLES DU CLASSEMENT ALPHABÉTIQUE EN LANGUE FRANÇAISE ET PROCÉDURE INFORMATISÉE POUR LE TRI
Alain LaBonté
informaticien-conseil
Secrétariat du Conseil du trésor
Gouvernement du Québec
Version revue et corrigée de l'original par l'auteur en janvier 1996
Mise en forme HTML par Gilles.Sérasset,
voir les commentaires sur cette mise en forme.
© Ministère des Communications du Québec - 1987, 1988
© Secrétariat du Conseil du trésor du Québec - 1996
Reproduction et traduction autorisées, à condition que la source
soit citée et que l'auteur en soit avisé.
Contacter : Alain LaBonté <alb@sct.gouv.qc.ca>
Table des matières
- Introduction
- Règles de classement alphabétique
- Exemples illustrant ces règles
- Algorithme de confection des champs de tri
- Annexe
- Référence bibliographique de l'édition originale sur papier
Il existe des règles non écrites chez les éditeurs de dictionnaires de
langue française pour le tri alphabétique. À l'automne 1986, il nous a
été possible d'obtenir ces règles auprès des éditeurs Robert et Larousse, les
deux plus grands éditeurs de dictionnaires de la francophonie, par
l'intermédiaire de Madame Marie-Éva de Villers, alors terminologue à
l'Office de la langue française du Québec, et de Monsieur Jean-Claude
Corbeil, auteur du Dictionnaire thématique visuel, publié chez
Québec-Amérique (aussi publié en anglais sous le titre Facts on File
Visual
Dictionary).
Pour assurer la prévisibilité absolue des tris informatiques, nous
avons prévu, pour des clés équivalentes selon les règles du dictionnaire, de
les discriminer. La prévisibilité absolue d'un tri informatique est
essentielle si on doit comparer deux fichiers triés : les tris doivent toujours
donner le même résultat, quel que soit l'ordre des clés de la liste initiale à
trier. Si deux clés ne différaient qu'à cause du nombre d'espaces ou de
la position de ces espaces, par exemple, il y aurait danger de résultats
variables, ce dont nous voulons réduire le risque pratiquement à zéro.
Le présent document a été réalisé en plusieurs phases subséquentes à
l'obtention des règles par l'intermédiaire des deux spécialistes en
linguistique mentionnés précédemment. En plus de ces deux personnes,
nous tenons particulièrement à remercier les intervenants cités dans le court
historique qui suit. Ceux-ci représentent respectivement un éditeur, une
utilisatrice, un producteur de fichiers spécialisés et un grand
constructeur informatique. L'ordre d'intervention de ces personnes est
chronologiquement exact, mais tout à fait fortuit ; cependant ce « hasard » qui fait si
bien les choses mérite d'être souligné.
À la toute fin de 1986, nous avons consulté l'informaticien
responsable de l'élaboration de l'index du Dictionnaire thématique visuel, monsieur
André Goulet, de Logidec. Celui-ci nous a expliqué les problèmes
pratiques qu'il a fallu résoudre pour confectionner l'index de ce dictionnaire, qui
ne comporte toutefois pas d'homographes, étant donné que le vocabulaire y
est restreint à certains thèmes. Par la suite, un premier document fut
produit et distribué publiquement. Madame France Chartrand, du Centre de
traduction de Canadien Pacifique à Montréal, a alors soulevé des
questions pertinentes quant à la façon de traiter les signes de ponctuation. Pour
respecter l'ordre du dictionnaire, il fallait éliminer les tirets et
autres signes spéciaux. Mais ceci a alimenté notre réflexion sur l'impact
potentiel de cette élimination sur la prévisibilité du tri. Et notre modèle fut à
nouveau amélioré.
À la fin de 1987, monsieur John Chandioux, de Montréal, producteur de
« dictionnaires électroniques » pour différents logiciels de traitement
de textes, a voulu tester concrètement notre méthode en triant par ce moyen
son fichier de base et en le comparant avec la nouvelle édition du
dictionnaire Robert, comme il doit le faire chaque année à cause de l'introduction de
nouveaux mots. Notre méthode a fonctionné avec succès de A à Z, alors que
les tris informatiques réalisés précédemment rendaient cet exercice très
pénible parce que l'ordre obtenu était toujours systématiquement
différent.
Finalement, monsieur Denis Garneau, du Centre technique de soutien
des langues nationales d'IBM, à Toronto, a soulevé des problèmes théoriques
et pratiques avec certains cas limites, qui nous ont convaincus de la
nécessité de confectionner deux clés différentes pour une discrimination
cohérente en fonction de la priorité des signes diacritiques et de la
hauteur de casse. Auparavant nous croyions qu'une seule et même clé était
nécessaire pour établir un ordre de priorité tenant compte à la fois des
signes diacritiques et de la hauteur de casse, ce qui ne se vérifie pas
avec certains cas très particuliers, mais quand même réels.
Ce travail a été amorcé en vue de l'élaboration d'une norme
canadienne de classement informatique. Il a soulevé un intérêt si grand que l'on a
jugé bon d'en faire le présent document, qui est complet en soi.
Nous avons découvert récemment que la confection de clés multiples
décomposant l'information textuelle selon ses propriétés hiérarchiques
essentielles (lettres de l'alphabet latin classique, signes diacritiques,
hauteurs de casse et symboles spéciaux) aux fins de classement entraîne
des effets secondaires importants : cela pourrait en effet résoudre de vieux
problèmes touchant beaucoup d'autres applications, comme par exemple la
constitution de clés permanentes (ordonnées malgré la présence d'accents
ou de minuscules, de majuscules et de signes spéciaux) servant au repérage
d'enregistements dans les fichiers informatisés à l'aide des mécanismes
traditionnels d'indexation, ou encore la comparaison de données
accentuées avec des données analogues non accentuées (comme la comparaison directe
de la racine « CLE » avec les mots « clef » ou « clé » [l'un avec, l'autre
sans accent]) ou vice-versa. Qui plus est, la structure des clés est
telle que l'on peut reconstituer textuellement l'information d'origine sans
avoir à conserver celle-ci en double, ce qui est un facteur d'économie
compensant la complexité apparente de la décomposition.
Pour ceux de nos lecteurs que le classement intéresse plus
particulièrement, nous nous devons de les informer qu'il existe une norme
de classement alphabétique en France (AFNOR Z.44-001), s'appliquant au
classement des noms et dénominations des personnes physiques et morales,
figurant dans les annuaires, les répertoires de clients ou de
fournisseurs. Cette norme est complexe et non intuitive : on doit savoir d'avance si ce
que l'on cherche est un nom de personne physique ou morale, les règles
de classement étant différentes dans les deux cas. Il existe aussi une telle
norme en Allemagne (DIN 5007), tout aussi complexe, et probablement
d'autres ailleurs.
Il serait avantageux de revoir ces normes pour les rendre plus
conviviales, plus intuitivement utilisables par le commun des mortels.
Quant au dictionnaire, les règles établies sont passablement naturelles à
utiliser, une fois les subtilités résolues sans que l'utilisateur ait à
s'en préoccuper. Nous sommes convaincus que le classement du dictionnaire
devrait être la base minimale sur laquelle devraient être fondés tous les tris
informatiques impliquant des données textuelles. La confection de clés
spécialisées en fonction d'applications précises (comme les répertoires
téléphoniques) pourrait être combinée avec la méthode décrite ici pour
produire un tri rationnel, prévisible et en harmonie avec les règles
traditionnelles, que nous ne faisons, en définitive, que systématiser.
Il est possible que cette méthode soit encore améliorée comme
ce fut le cas dans le passé, mais telle quelle, elle est le fruit
de plus de deux ans de réflexion et d'essais pratiques.
Voici donc les règles de classement alphabétique conformes aux
dictionnaires en usage dans la francophonie, augmentées des dispositions
requises pour assurer la prévisibilité absolue du classement :
- Pour les besoins du tri en français, on ne tient pas compte des signes diacritiques ni de la hauteur de casse (majuscules ou minuscules),
sauf pour les homographes (voir règle suivante), et le classement s'effectue alors dans une séquence respectant l'ordre habituel
des vingt-six lettres de l'alphabet latin (de « a » à « z »).
- Pour les homographes, c'est-à-dire pour les mots qui s'écrivent exactement de la même façon, si on ignore les signes
diacritiques pour les besoins de la cause, l'ordre de préséance des signes d'origine est respecté, avant même de
donner priorité aux minuscules sur les majuscules [Dans les dictionnaires français, on n'utilise que des capitales pour les rubriques :
aucune règle n'y est donc nécessaire en ce qui concerne l'ordre de préséance des minuscules et des majuscules.
Dans les encyclopédies de langue française, aucune règle ne semble être suivie strictement, bien que l'on note une
légère tendance à accorder priorité aux majuscules (avec de nombreuses exceptions). Étant donné
qu'il semble plus naturel de donner priorité aux minuscules, nous avons choisi cet ordre de préséance, suivi très
strictement dans les dictionnaires d'autres origines linguistiques (notamment anglo-saxons).]. La discrimination s'effectue cependant à
rebours, en partant de la fin du mot et en reculant.
L'ordre de priorité des lettres accentuées du français peut facilement
être déduit à partir des principaux dictionnaires ; tous les
dictionnaires consultés respectent l'ordre suivant :
aA àÀ âà
cC çÇ
eE éÉ èÈ êÊ ëË
iI îÎ ïÏ
oO ôÔ
uU ùÙ ûÛ üÜ
yY ÿ
Note : la lettre « ÿ » est exceptionnellement utilisée en français
ex. : « L'Haÿ-les-Roses », nom d'une localité du sud de Paris).
- Les digrammes soudés (ligatures) comme « æ » et «
» sont classés
avec les lettres doubles correspondantes, en les discriminant toutefois
par un indice de priorité particulier, pour assurer la prévisibilité
absolue du classement.
- Tous les signes spéciaux, comme les tirets, espaces et apostrophes,
sont éliminés du corps du champ temporaire de tri mais sont renvoyés à
la fin du champ et précédés d'un indicateur de position, pour assurer
la prévisibilité absolue du classement.
- Pour la 1ère règle :
- surélévation
- sûrement
- suréminent
- sûreté
- Pour la 2e règle :
- cote
- côte
- Côte
- coté
- Coté
- côté
- Côté
- coter
Note : La discrimination se fait ici d'abord sur le « e », ensuite sur le « o », ensuite sur la hauteur de
casse (minuscules avant les majuscules). Le cas « COTE » est un des exemples les plus subtils d'homographes
dans les dictionnaires français.
- élève
- élevé
- gène
- gêne
- MÂCON
- maçon
- pèche
- PÈCHE
- pêche
- PÊCHE
- péché
- PÉCHÉ
- pécher
- pêcher
- relève
- relevé
- révèle
- révélé
- Pour la 3e règle :
- cadurcien
- cæcum
- caennais
- cæsium
- cafard
- coercitif
- cur
- Pour la 4e règle :
- vice-consul
- vicennal
- vice-président
- vice-roi
- vicésimal
- vice versa
- vice-versa
Pour le classement informatisé de texte français, la procédure
suivante est proposée (les tables sont en annexe) :
- I. Pour chacune des chaînes de caractères à trier :
- -1. Initialiser la longueur de la clé de premier ordre (CPO), de second
ordre (CSO) et de troisième ordre (CTO) à 0.
Initialiser la clé de quatrième ordre (CQO) avec une chaîne contenant
le caractère correspondant au nombre binaire 0.
0. En balayant la chaîne de la gauche vers la droite, obtenir le
prochain caractère.
1. S'il s'agit d'un symbole qui n'est pas dans la table I (index),
ajouter ce caractère à la suite de la clé de quatrième ordre (CQO),
en ayant soin de faire précéder le caractère d'un code binaire de
longueur fixe indiquant sa position dans le champ d'origine.
Reprendre immédiatement la procédure à 0.
2. En indexant la table A avec le caractère d'origine, obtenir un ou
deux (dans le cas des digrammes soudés ou ligatures) caractères de
remplacement et les ajouter à la suite de la clé de premier ordre
(CPO).
3. En indexant la table B avec le même caractère d'origine, obtenir un
ou deux caractères, constituant l'indice de priorité des signes
diacritiques, et les ajouter devant la clé de second ordre (CSO),
qui joue alors le rôle d'une pile (l'ordre de confection est inversé
et pour retrouver la correspondance avec l'information originale, il
faut lire la chaîne à rebours).
4. En indexant la table C toujours avec le même caractère d'origine,
obtenir un ou deux caractères, constituant l'indice de hauteur de
casse, et les ajouter à la suite de la clé de troisième ordre
(CTO).
5. Tant que la chaîne-source n'est pas épuisée, reprendre la procédure à
0.
6. Concaténer les clés de premier ordre (CPO), de deuxième ordre (CDO),
de troisième ordre (CTO) et de quatrième ordre (CQO) pour constituer
la clé complète de tri.
- II. Une fois effectuée la conversion de toutes les chaînes de la liste
à trier, classer selon l'ordre binaire (croissant ou décroissant)
du champ temporaire de tri de chacun des éléments de la liste.
- Exemple :
LISTE À CLASSER LISTE CONVERTIE POUR LE TRI
(déjà dans l'ordre)
cæcal *caecal*<16><16><16><22><22><16>*
*<08><08><08><08><08><08>*<00>*
caennais *caennais*<16><16><16><16><16><16><16><16>*
*<08><08><08><08><08><08><08><08>*<00>*
C.A.F. *caf*<16><16><16>*<09><09><09>*<00><01>.<03>.<05>.*
c'est-à-dire *cestadire<16><16><16><16><18><16><16><16><16>*
*<08><08><08><08><08><08><08><08><08>*
*<00><01>'<05>-<07>-*
jésus *jesus*<16><16><16><17><16>*
*<08><08><08><08><08>*<00>*
Jésus *jesus*<16><16><16><17><16>*
*<09><08><08><08><08>*<00>*
pêche *peche*<16><16><16><19><16>*
*<08><08><08><08><08>*<00>*
PÊCHE *peche*<16><16><16><19><16>*
*<09><09><09><09><09>*<00>*
péché *peche*<17><16><16><17><16>*
*<08><08><08><08><08>*<00>*
PÉCHÉ *peche*<17><16><16><17><16>*
*<09><09><09><09><09>*<00>*
pechère *pechere*<16><16><18><16><16><16><16>*
*<08><08><08><08><08><08><08>*<00>*
péchère *pechere*<16><16><18><16><16><17><16>*
*<08><08><08><08><08><08><08>*<00>*
vice-légat *vicelegat*<16><16><16><17><16><16><16><16><16>*
*<08><08><08><08><08><08><08><08><08>*
*<00><04>-*
vice versa *viceversa*<16><16><16><16><16><16><16><16><16>*
*<08><08><08><08><08><08><08><08><08>*
*<00><04> *
vice versa *viceversa*<16><16><16><16><16><16><16><16><16>*
*<08><08><08><08><08><08><08><08><08>*
*<00><04> <05> *
vice-versa *viceversa*<16><16><16><16><16><16><16><16><16>*
*<08><08><08><08><08><08><08><08><08>*
*<00><04>-*
Note : L'astérisque (*) n'est pas utilisé pour composer la chaîne de tri
mais délimite seulement celle-ci pour montrer la présence d'espaces
à l'intérieur du champ à trier et séparer les quatre ordres de
clés.
TABLE A TABLE B TABLE C
------- ------- -------
Caractères de Indices de Indice de
Caractères remplacement priorité des hauteur de
d'origine non accentués diacritiques casse
0 0 <16> <08>
1 1 <16> <08>
2 2 <16> <08>
3 3 <16> <08>
4 4 <16> <08>
5 5 <16> <08>
6 6 <16> <08>
7 7 <16> <08>
8 8 <16> <08>
9 9 <16> <08>
a a <16> <08>
A a <16> <09>
à a <18> <08>
À a <18> <09>
â a <19> <08>
à a <19> <09>
b b <16> <08>
B b <16> <09>
c c <16> <08>
C c <16> <09>
ç c <21> <08>
Ç c <21> <09>
d d <16> <08>
D d <16> <09>
e e <16> <08>
E e <16> <09>
é e <17> <08>
É e <17> <09>
è e <18> <08>
È e <18> <09>
ê e <19> <08>
Ê e <19> <09>
ë e <20> <08>
Ë e <20> <09>
f f <16> <08>
F f <16> <09>
g g <16> <08>
G g <16> <09>
h h <16> <08>
H h <16> <09>
i i <16> <08>
I i <16> <09>
î i <19> <08>
Î i <19> <09>
ï i <20> <08>
Ï i <20> <09>
j j <16> <08>
J j <16> <09>
k k <16> <08>
K k <16> <09>
l l <16> <08>
L l <16> <09>
m m <16> <08>
M m <16> <09>
n n <16> <08>
N n <16> <09>
o o <16> <08>
O o <16> <09>
ô o <19> <08>
Ô o <19> <09>
p p <16> <08>
P p <16> <09>
q q <16> <08>
Q q <16> <09>
r r <16> <08>
R r <16> <09>
s s <16> <08>
S s <16> <09>
t t <16> <08>
T t <16> <09>
u u <16> <08>
U u <16> <09>
ù u <18> <08>
Ù u <18> <09>
û u <19> <08>
Û u <19> <09>
ü u <20> <08>
Ü u <20> <09>
v v <16> <08>
V v <16> <09>
w w <16> <08>
W w <16> <09>
x x <16> <08>
X x <16> <09>
y y <16> <08>
Y y <16> <09>
ÿ y <20> <08>
y <20> <09>
z z <16> <08>
Z z <16> <09>
æ ae <22><22> <08><08>
Æ ae <22><22> <09><09>
oe <22><22> <08><08>
oe <22><22> <09><09>
<NBSP> <espace> <16> <08>
Notes :
- Le caractère NBSP (espace insécable) est défini dans la norme ISO/CEI
8859-1 ; l'espace insécable est essentiel si on veut vraiment
séparer, par exemple, les noms des prénoms, dans une liste
informatique : il est plus naturel de classer « Dion Zacharie » avant
« Dionne Herménégilde », ce qui ne serait pas le cas si on éliminait
l'espace. Les espaces insécables sont nécessaires pour les distinguer
des espaces non significatifs, comme dans les noms de famille écrits
en plusieurs mots (voir celui de l'auteur), espaces qui, dans ces
cas, doivent être déplacés pour le tri.
- Forcément, les indices devront être codés en binaire dans une
application informatique. On prendra grand soin à ce que l'ensemble
de codes utilisés pour représenter les indices n'ait pas
d'intersection avec l'ensemble des codes utilisés pour les caractères
de remplacement non accentués, ce qui pourrait nuire à l'ordre de
classement de champs de longueurs variables, comme dans l'exemple
suivant :
Champ à trier Clé intermédiaire
A1 a1<16><16><09><08><00>
à a<18><08><00>
Si, dans cet exemple, <18> avait par hasard un code correspondant au
caractère « 4 », il y aurait intersection avec l'ensemble des
caractères de remplacement et le classement serait erronné, puisque
la chaîne « à », de taille plus petite, devrait se retrouver en
premier. L'ensemble servant à confectionner les indices doit
comprendre les nombres binaires les plus petits.
Dans le même ordre d'idées, on recommande de réserver les codes <01>
à <15> pour les indices de hauteur de casse (même si on n'en utilise
ici que deux) et <16> à <31> pour les indices de priorité des
diacritiques, ceux-ci devant être plus grands que les premiers, si on
utilise des champs de longueurs variables. Les codes inutilisés
pourraient être utiles pour généraliser la méthode avec d'autres
langues que le français. Le code <00> doit être réservé pour
délimiter la clé de quatrième ordre si on utilise des champs de
longueurs variables.
Ces règles ont été publiées précédemment sur papier en 1988 sous le même
titre. Référence bibliographique : ISBN 2-550-19046-7 (dépot légal -
quatrième trimestre 1988 - Bibliothèque nationale du Québec)
Elles ont donné lieu à une norme préliminaire canadienne rédigée
par l'auteur du présent texte et publiée en 1992, confirmée comme norme
nationale du Canada en 1996 (norme CAN-CSA Z243.4.1-1996). Cette dernière
précise aussi les indices de classement attribués à un certain nombre de
caractères spéciaux, et elle complète les tables de classement pour tous
les autres caractères latins utilisés dans les langues européennes, en
fonction d'un ordre qui reprend rigoureusement les règles énoncées ici.
Ces règles ont été initialement conçues pour harmoniser l'ordre de
classement des langues suivantes (sans en exclure d'autres) : français,
anglais, allemand, portugais, italien et néerlandais. L'espagnol a un ordre
légèrement différent et une adaptation des tables serait nécessaire dans ce
cas, comme dans le cas des langues scandinaves ou d'autres langues
européennes. La méthode resterait toutefois la même.
Pour complémenter cette méthode, les outils de programmation FRANCIS ont
fait au Québec l'objet d'une commercialisation publique. Ces outils
permettent d'une part d'accentuer automatiquement et correctement des
données nominatives et toponymiques (noms connus au Québec ; adaptations
requises pour d'autres environnements) comportant ou ne comportant pas déjà
d'accents, du micro-ordinateur à l'ordinateur de grande puissance.
Ces outils permettent d'autre part de trier correctement les données
alphabétiques, de les comparer, de déterminer des équivalences de
recherche et plus généralement de les manipuler de différentes manières en
fonction des propriétés multiples de la méthode décrite ici, en conformité
avec la norme canadienne.
Au moment où ces règles sont rééditées pour le réseau Internet, l'auteur
est à rédiger un projet de norme internationale de classement (projet
ISO/CEI 14651) pour l'ensemble des caractères du jeu universel de
caractères codés sur plusieurs octets (norme ISO/CEI 10646-1:1993,
correspondant au standard UNICODE). Il s'agit d'une extension des concepts
qui sont présentés ici.
Gouvernement du Québec
Dépôt légal -- 4e trimestre 1988
Bibliothèque nationale du Québec
ISBN 2-550-19046-7