180 bytes, código de máquina (16 bits x86)
Noté que la mayoría de las respuestas usan codificación / decodificación integrada (que creo que está perfectamente bien), pero pensé que continuaría mi búsqueda de 16 bits .
Al igual que con los anteriores, esto se hizo sin compilador utilizando principalmente HT hexeditor y ICY's hexplorer .
00000000: eb40 ac20 0000 1a20 9201 1e20 2620 2020 .@. ... ... &
00000010: 2120 c602 3020 6001 3920 5201 0000 7d01 ! ..0 `.9 R...}.
00000020: 0000 0000 1820 1920 1c20 1d20 2220 1320 ..... . . . " .
00000030: 1420 dc02 2221 6101 3a20 5301 0000 7e01 . .."!a.: S...~.
00000040: 7801 89f7 4646 89fa 89d9 4143 4bb4 3fcd x...FF....ACK.?.
00000050: 2185 c074 288a 053c 8073 05e8 1700 ebec !..t(..<.s......
00000060: 3ca0 721a d440 0d80 c050 86c4 e806 0058 <.r..@...P.....X
00000070: e802 00eb d7b4 4088 05b3 01cd 21c3 2c80 ......@.....!.,.
00000080: d0e0 89c3 8b00 89cb 85c0 74c0 3dff 0773 ..........t.=..s
00000090: 08c1 c002 c0e8 02eb cd50 c1e8 0c0c e0e8 .........P......
000000a0: d3ff 5825 ff0f c1c0 02c0 e802 0d80 8050 ..X%...........P
000000b0: 86c4 ebb8 ....
Disección
La implementación es bastante sencilla, aunque no he pensado demasiado en fluir por adelantado, por lo que hay ALGUNOS espaguetis allí.
Mezclaré un poco el orden, para que sea más fácil de seguir ...
0000 eb40 jmp 0x42
Omita la tabla que asigna caracteres> = 0x80 <0xa0 a códigos unicode.
data db ACh,20h, 00h,00h, 1Ah,20h, ...
Los inválidos están codificados como 0, no están asignados a nada
0075 b440 mov ah, 0x40
0077 8805 mov [di], al
0079 b301 mov bl, 0x1
007b cd21 int 0x21
007d c3 ret
La función auxiliar utilizada para imprimir caracteres al
se llamará pocas veces.
0042 89f7 mov di, si
0044 46 inc si
0045 46 inc si
0046 89fa mov dx, di
0048 89d9 mov cx, bx
004a 41 inc cx
004b 43 inc bx
Preparar registros. Los datos se leerán en 0x100, señalemos si
en la tabla de traducción anterior.
004c 4b dec bx
004d b43f mov ah, 0x3f
004f cd21 int 0x21
0051 85c0 test ax, ax
0053 7428 jz 0x7d
Lea char de stdin, salte a 0x7d si EOF.
Nota al margen: en realidad es un truco pequeño (pero bastante conocido), contiene 0x7d ret
, esto hará que pop sp
, sp
en los puntos de inicio al final de un segmento, esté 00 00
allí, y cs:0
en DOS contiene CD 20
, lo que hace que la aplicación salga.
0055 8a05 mov al, [di]
0057 3c80 cmp al, 0x80
0059 7305 jnc 0x60
005b e81700 call 0x75
005e ebec jmp 0x4c
Si char es <0x80, simplemente imprímalo y vaya al comienzo del bucle (porque la función auxiliar está configurando BX en 1 - stdout, los saltos irán a dec bx
)
0060 3ca0 cmp al, 0xa0
0062 721a jc 0x7e
0064 d440 aam 0x40
0066 0d80c0 or ax, c080
0069 50 push ax
006a 86c4 xchg ah, al
006c e80600 call 0x75
006f 58 pop ax
0070 e80200 call 0x75
0073 ebd7 jmp 0x4c
Esta parte se ocupa de los caracteres> = 0xa0, divide el código ASCII en dos bits "altos" y 6 bits "bajos" y aplica la máscara utf-8 c080 para dos bytes, luego imprime ambos
007e 2c80 sub al, 0x80
0080 d0e0 shl al, 0x1
0082 89c3 mov bx, ax
0084 8b00 mov ax, [bx+si]
0086 89cb mov bx, cx
0088 85c0 test ax, ax
008a 74c0 jz 0x4c
008c 3dff07 cmp ax, 07ff
008f 7308 jnc 0x99
0091 c1c002 rol ax, 0x2
0094 c0e802 shr al, 0x2
0097 ebcd jmp 0x66
Esta parte trata de caracteres> = 0x80 <0xa0, encuentra el código utf-8 adecuado en la tabla en la parte superior, si el código es igual a 0, salte al principio, si está por debajo de 0x7ff (ergo: cabe en dos bytes UTF-8) , solo ajuste el valor y reutilice el código anterior en 0x166.
0099 50 push ax
009a c1e80c shr ax, 0xc
009d 0ce0 or al, e0
009f e8d3ff call 0x75
00a2 58 pop ax
00a3 25ff0f and ax, 0fff
00a6 c1c002 rol ax, 0x2
00a9 c0e802 shr al, 0x2
00ac 0d8080 or ax, 8080
00af 50 push ax
00b0 86c4 xchg ah, al
00b2 ebb8 jmp 0x6c
Parte final, se ocupa de los códigos que están por encima de 0x7FF, baja 12 bits, aplica 0xE0 (consulte la descripción de codificación UTF-8 para referencia) e imprímalo, ajuste los 12 bits inferiores y aplique la máscara 8080 y vuelva a usar la parte que escupe dos caracteres .