Sprinter-SDCC/examples/mdview2/docs/encoding-plan.md

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.