Optimise la fonction d'analyse des bigrammes en réduisant les vérifications et en normalisant les lignes

analyseur.c

@@ -373,7 +373,8 @@ double ecart_type_longueur(const Entree *table, int n, double moyenne)
 }
 
 /* Recherche du bigramme de lettres le plus fréquent, avec en bonus la
- * troisième lettre qui le suit le plus souvent. */
+ * troisième lettre qui le suit le plus souvent.
+ * Les lignes doivent être normalisées : lettres 'a' à 'z' ou espaces. */
 void analyser_bigrammes(char **lignes, int nb_lignes,
                         char *meilleur, int *occ_meilleur)
 {
@@ -381,9 +382,18 @@ void analyser_bigrammes(char **lignes, int nb_lignes,
 
     for (int l = 0; l < nb_lignes; l++) {
         const char *s = lignes[l];
-        for (int i = 0; s[i] != '\0' && s[i + 1] != '\0' && s[i + 2] != '\0'; i++) {
-            if (est_lettre(s[i]) && est_lettre(s[i + 1]) && est_lettre(s[i + 2]))
-                trigrammes[s[i] - 'a'][s[i + 1] - 'a'][s[i + 2] - 'a']++;
+        int avant_dernier = -1;
+        int dernier = -1;
+        for (int i = 0; s[i] != '\0'; i++) {
+            if (s[i] == ' ') {
+                avant_dernier = dernier = -1;
+                continue;
+            }
+            int lettre = s[i] - 'a';
+            if (avant_dernier >= 0)
+                trigrammes[avant_dernier][dernier][lettre]++;
+            avant_dernier = dernier;
+            dernier = lettre;
         }
     }
 

notes.md

@@ -442,4 +442,72 @@ Empreinte du rapport  : 1d53de903efd2b7c
 real    0m0.354s
 user    0m0.314s
 sys     0m0.008s
-```
+```
+
+## Réduction des vérifications dans `analyser_bigrammes`
+
+L'ancienne boucle examinait des fenêtres de trois caractères et appelait
+`est_lettre` jusqu'à trois fois par fenêtre. Les caractères des fenêtres
+voisines étaient donc vérifiés plusieurs fois, pour un total de
+3 757 672 appels dans cette fonction.
+
+Les lignes sont déjà normalisées avant l'analyse : elles ne contiennent
+que des lettres de `a` à `z` et des espaces. La nouvelle boucle utilise
+cette propriété, explicitée dans le commentaire de la fonction, et
+conserve les indices des deux lettres précédentes. Chaque nouvelle lettre
+complète un trigramme si deux lettres la précèdent. Un espace ou une
+nouvelle ligne réinitialise cet historique.
+
+Les trigrammes qui se chevauchent sont conservés, sans compter à travers
+les séparateurs. Le calcul du meilleur bigramme et les règles de départage
+restent identiques. Les deux versions sont en O(nombre de caractères) :
+le gain vient des vérifications et des appels évités, sans tableau
+supplémentaire.
+
+Profil enregistré dans [out/profil_apres_bigrammes.txt](out/profil_apres_bigrammes.txt).
+La comparaison porte sur la version précédente, décrite dans
+`out/profil_apres_tri.txt`.
+
+| Mesure | Avant | Après |
+| --- | ---: | ---: |
+| Appels à `est_lettre` depuis `analyser_bigrammes` | 3 757 672 | 0 |
+| Appels à `est_lettre` dans tout le programme | 5 297 256 | 1 539 584 |
+| Temps réel médian sans profiling (`gcc -O0`, 10 exécutions par version) | 0,1252 s | 0,1123 s |
+
+Le gain médian mesuré est de 10,3 %. Les exécutions sont courtes et les
+temps fluctuent ; cette valeur est indicative. Les mesures ont été faites
+en alternant les deux versions sur la même machine :
+
+- Avant : 0,1339 / 0,1132 / 0,1220 / 0,1146 / 0,1403 / 0,1118 / 0,1268 /
+  0,1235 / 0,1430 / 0,1373 s.
+- Après : 0,1332 / 0,1035 / 0,1077 / 0,1133 / 0,1178 / 0,1131 / 0,1095 /
+  0,0994 / 0,1114 / 0,1193 s.
+
+Validation : compilation sans avertissement avec `-Wall -Wextra -Wpedantic`,
+rapport et sortie console identiques octet par octet sur les vingt
+exécutions, avec `-pg` et sous AddressSanitizer et UndefinedBehaviorSanitizer.
+L'empreinte reste **`1d53de903efd2b7c`**. Le bigramme reste `me`, avec
+17 607 occurrences et `n` comme troisième lettre la plus fréquente.
+Un test temporaire a comparé 43 cas à l'ancienne fonction : entrées vides
+ou courtes, chevauchements, espaces, changements de ligne, égalités,
+normalisation et données pseudo-aléatoires.
+
+Autres pistes, à mesurer séparément :
+
+- `est_mot_vide` provoque encore 12 045 671 appels à `egales`. Réutiliser
+  la longueur `k` pour exclure les mots plus longs que tous les mots vides,
+  puis consulter un index de hachage séparé, reste la priorité. L'ordre
+  du tableau `MOTS_VIDES`, utilisé pour générer le texte, doit être conservé.
+- `normaliser_ligne` pourrait utiliser une table de conversion des octets
+  en minuscules ou espaces, pour regrouper classification et conversion.
+- `decouper_lignes` pourrait utiliser des pointeurs dans le texte et
+  remplacer les sauts de ligne par `\0`, évitant les allocations et copies
+  par ligne. La libération de la mémoire devrait être adaptée en conséquence.
+
+Commandes pour reproduire ce profil :
+
+```bash
+mkdir -p out/apres_bigrammes
+gcc -O0 -pg analyseur.c -o out/apres_bigrammes/analyseur
+(cd out/apres_bigrammes && ./analyseur && gprof -b ./analyseur gmon.out > ../profil_apres_bigrammes.txt)
+```