mdview2: план поддержки кодировок CP1251/KOI8-R/UTF-8 (ревизия 2)

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

examples/mdview2/docs/encoding-plan.md

@@ -0,0 +1,125 @@
+# mdview2 — поддержка кодировок (CP866 / CP1251 / KOI8-R / UTF-8)
+
+Статус: ПЛАН (2026-06-24, ревизия 2). Реализация — отдельными фазами.
+
+## Цель
+
+- CP1251, KOI8-R — простой 1:1 маппинг байтов [128-255] в CP866 (кириллица
+  + основная пунктуация). KOI8-R равнозначна, входит в общий цикл.
+- UTF-8 — декодирование с маппингом кириллицы в CP866 + подстановка части
+  некириллических символов (стрелки, галочки, тире, буллеты, box-drawing) в
+  CP866/ASCII-глифы.
+- Автоопределение кодировки при открытии (BOM + дешёвая эвристика).
+- F8 (Codepage) — переключение по циклу CP866 → CP1251 → KOI8-R → UTF8.
+
+## Ключевые наблюдения (определяют архитектуру)
+
+1. **8-битные кодировки имеют ОДНУ структуру.** markdown-разметка вся в ASCII
+   (`# * | -` …); 8-битные различаются только глифами [128-255]. Значит индекс
+   и кэш (смещения, переносы, ширины таблиц) для CP866/CP1251/KOI8-R —
+   **общие**; переключение между ними = ремап глифов [128-255], БЕЗ
+   переиндексации.
+2. **UTF-8 — другая структура** (кириллица 2 байта). Нужен отдельный
+   конвертированный CP866-буфер со своим индексом/кэшем.
+3. **Проблема рамок таблиц / маркеров.** В кэше намешаны контентные глифы
+   (байты-из-источника [128-255] — НАДО ремапить) и вставленные нами CP866-
+   глифы (box `│─┼…`, маркер списка 0x07, цитата 0xB3, HR 0xC4 — ремапить
+   НЕЛЬЗЯ). По значению байта не различить → различаем по **атрибуту**.
+
+## Архитектура
+
+### Буферы
+- `src_phys[]` — оригинальные байты файла (грузим как сейчас; храним всегда —
+  под ремап и raw-view, см. memory/mdview2_file_phys_preserve).
+- 8-битный режим: `fb()` читает `src_phys` напрямую. Кэш контентных ячеек
+  хранит **исходный байт** (не пред-конвертированный).
+- UTF-8 режим: отдельные EMM-страницы `utf_phys[]` = UTF8→CP866 конвертация
+  src; свой индекс/кэш; `fb()` читает `utf_phys`.
+
+### Различение контент/структура по attr
+Каждый структурный глиф получает НЕ-контентный attr:
+- box-рамка таблиц → новый `ATTR_BOX` (сейчас TBL_ATTR=ATTR_TEXT — поменять);
+- HR (0xC4) → ATTR_HR; маркер списка (0x07) → ATTR_LIST_MARKER; цитата
+  (0xB3) → ATTR_QUOTE_MARKER — уже различимы.
+Правило ремапа: ремапить `char>=128` только если attr ∈ контентных
+(TEXT/BOLD/ITALIC/UNDER/CODE/STRIKE/TITLE1-4). Структурные — как есть.
+
+### Ремап на этапе отрисовки
+`draw_line_from_cache`:
+- encoding == CP866 или UTF-8: прямой `win_rest` из кэш-страницы (ремап не
+  нужен — CP866 identity; UTF-8-кэш уже CP866).
+- encoding == CP1251/KOI8-R: читаем кэш-строку в near-буфер, ремапим
+  контентные байты [128-255] через активную таблицу (структурные пропускаем
+  по attr), пишем в scratch-страницу, `win_rest` из неё. Только видимые ~30
+  строк, на скролле — дёшево.
+
+Итого: переключение между 8-битными — мгновенно (меняем активную таблицу +
+redraw, draw ремапит). Переиндексация только при переходе в/из UTF-8.
+
+## Детекция кодировки (дешёвый скан байтов, ДО построения)
+
+1. **BOM**: первые 3 байта EF BB BF → UTF8 (и пропустить BOM).
+2. **UTF-8 валидность** (если нет BOM): проход, проверка структуры
+   (лид-байты 0xC2-0xDF/0xE0-0xEF/0xF0-0xF4 + континюэйшны 0x80-0xBF;
+   одиночный 0x80-0xBF, 0xC0/0xC1, 0xF5+ → нарушение). 0 нарушений И есть
+   ≥1 multibyte → UTF8. Любое нарушение → 8-бит.
+3. **8-бит дизамбигуация** (CP866/CP1251/KOI8-R): счёт попаданий в байты
+   самых ходовых строчных русских букв (о е а и н т с р в л) каждой кодировки;
+   максимум выигрывает. (Предрасчёт байт-наборов по таблицам.)
+4. **Фолбэк**: нет байт ≥0x80 или неоднозначно → CP866 (родная).
+
+## Таблицы (static const, CODE/const-сегмент)
+
+- `cp1251_to_866[256]`, `koi8r_to_866[256]` — байт→байт (ASCII identity;
+  кириллица по раскладкам; en/em-dash, «ёлочки», … → CP866-аналоги или '?').
+- UTF-8: `utf_cyr_to_866[]` для U+0400..U+045F + компактная таблица символов
+  `utf_sym[]` (codepoint→CP866): U+2192→'>'/стрелка, U+2190→'<', U+2713/14 ✓
+  →'v'/box, U+2022 •→0x07/0xF9, U+2014/2013 —→'-', U+2026 …→"...",
+  U+00A0→' ', U+2500.. box→CP866 box; прочее → '?'.
+
+## Поток загрузки
+
+1. Грузим в `src_phys`. Детект-скан → кодировка E.
+2. Если E ∈ {UTF8}: строим UTF-8-набор (utf_phys + конвертация + индекс),
+   показываем UTF-8. Иначе: показываем 8-битный (общий индекс на src,
+   активная таблица = E).
+3. **Ленивый build второго набора в простое.** Главный цикл — НЕ блокирующий
+   getkey, а kbhit-поллинг: пока нет клавиш и второй набор (UTF-8 при
+   стартовом 8-бит, либо 8-бит при стартовом UTF-8) не построен — докручиваем
+   его инкрементально. После — F8 в любую сторону мгновенно.
+
+## F8 — переключение
+
+- Цикл g_encoding: CP866 → CP1251 → KOI8-R → UTF8 → CP866.
+- 8-бит↔8-бит: сменить активную таблицу + redraw (без переиндексации).
+- в/из UTF-8: переключить активный индекс/кэш на соответствующий набор
+  (если построен; иначе достроить — но при ленивом build обычно уже готов).
+- Статус-бар: имя кодировки; меню (строка 31): «F8 Codepage».
+
+## Фазы реализации
+
+1. **Ядро 8-бит**: ATTR_BOX; кэш хранит исходный байт; таблицы CP1251/KOI8R;
+   ремап в draw для CP1251/KOI8; кодировка задаётся константой для теста.
+2. **UTF-8 набор**: utf_phys + конвертация + отдельный индекс/кэш; ручной
+   выбор UTF-8.
+3. **Детекция** (BOM + эвристика) при загрузке.
+4. **Нон-блокирующий main loop + ленивый idle-build** второго набора.
+5. **F8** + статус/меню.
+
+## Память
+- 8-бит: src + scratch-страница для ремапа (1 стр.). Доп. индекса нет.
+- UTF-8 набор: utf_phys (≤8 стр.) + свой индекс/кэш-контент. Строится лениво.
+- Бюджет 215 свободных страниц (sprinter_emm_budget) — с запасом.
+
+## Открытые вопросы (к реализации)
+1. Имя кодировки в статусе — где (зона имени файла / отдельный слот).
+2. Набор UTF-8-подстановок символов — приоритет (→ ← ✓ ✗ • — … « » box).
+3. Глубина таблиц пунктуации CP1251/KOI8 (минимум кириллица+dash или полнее).
+4. Объём детект-сэмпла (весь файл или первые N КБ).
+
+## Риски
+- Корректность различения контент/структура по attr — нужно, чтобы ВСЕ
+  вставленные глифы имели не-контентный attr (проверить box/markers).
+- Два набора индекс/кэш (8-бит + UTF-8) + переключение активного — учёт
+  страниц, чтобы не течь и не путать.
+- Точность таблиц (особенно UTF-8 символы) — итеративно по факту.