126 lines
9.2 KiB
Markdown
126 lines
9.2 KiB
Markdown
# 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.
|