Випікайте мені моджі


26

З огляду на рядок, список символів, потік байтів, послідовність ..., що є дійсним UTF-8 та дійсним Windows-1252 (більшість мов, ймовірно, захоче взяти звичайний рядок UTF-8), конвертуйте його з (тобто зробіть вигляд, що це ) Windows-1252 до UTF-8 .

Проведений приклад

Рядок UTF-8
I            UTF-8
представлений у вигляді байтів,
49 20E2 99 A520 55 54 46 2D 38
ці значення байтів у таблиці Windows-1252 дають нам еквіваленти Unicode,
49 20 E2 2122 A5 20 55 54 46 2D 38
які надають як
I ⥠UTF-8

Приклади

£Â£

£Â£

£Â£

I ♥ UTF-8I ♥ UTF-8

árvíztűrő tükörfúrógépárvÃztűrÅ‘ tükörfúrógép


9
@ user202729 Дивіться посилання "перетворити його". Це каламбур.
Ерік Аутгольфер

5
Для зручності: Набір символів Windows 1252 такий же, як і Unicode, за винятком 0x80..0x9F, де знаки є € ‚ƒ„…†‡ˆ‰Š‹Œ Ž ‘’“”•–—˜™š›œ žŸ. (простір = невикористаний)
користувач202729

3
@ user202729 Так, я не впевнений у тому, що ти намагався сказати, але це далеко не так, як правда. У Unicode є мільйони символів, Windows-1252 лише 256.
Девід Конрад

1
@DavidConrad, "У Unicode є мільйони символів" перебільшено. Unicode визначає 1,114,112 кодових точок. З них наразі використовується 136 690 точок коду.
Wernfried Domscheit

1
@Wernfried суть порівняння з 256-символьною діаграмою.
Девід Конрад

Відповіді:



19

Java 8, 72 66 36 25 байт

s->new String(s,"cp1252")

Спробуйте в Інтернеті.

s->  // Method with byte-array (UTF-8 by default) as parameter and String return-type
  new String(s,"cp1252")
     //  Pretend this UTF-8 input is (and convert it to) Windows-1252,
     //  and return it as UTF-8 String (by default) as well

cp1252псевдонім для Windows-1252. Цей псевдонім cp1252є Canonical Name для API java.ioта java.langAPI, тоді як повне ім'я Windows-1252- Canonical Name для java.nioAPI. Тут ви знайдете повний список підтримуваних кодувань Java , де ми завжди хотіли використовувати найкоротший з двох для кодового гольфу.


13
Код виграшу Java-гольф‽ Це не може бути правильним.
Adám

1
@ Adám Hehe, я насправді приємно здивований і бачу всі ці довші відповіді. ;) Але я майже впевнений, що Jelly, 05AB1E і т. Д. Переможе мене досить скоро.
Кевін Кройсейсен

1
Сумніваюсь у цьому. Вони, мабуть, не мають вбудованих таблиць перекладу. Dyalog APL робить все-таки…
Adám

"Каноніальна назва для java.nioAPI": P
лише ASCII

8

R 3.5.0 або вище, 32 20 байт

scan(,"",e="latin1")

Спробуйте в Інтернеті!

Як не дивно мало для виклику в R ... завдяки Jayce для гри в гольф вниз ще 12 байт!

scanнеобов'язково бере encodingаргумент для встановлення кодування вхідного рядка. latin1відповідає, згідно з документацією РФEncoding

Існує певна неоднозначність щодо того, що означає "латинська мова-1", оскільки деякі ОС (зокрема Windows) використовують позиції символів, використовувані для керуючих символів у наборі символів ISO 8859-1. Як інтерпретуються такі символи, залежить від системи, але з R 3.5.0 вони, по можливості, інтерпретуються відповідно до кодової сторінки Windows 1252 (яку Microsoft називає "Windows Latin 1 (ANSI)") при переході до, наприклад, UTF-8.


3
Я перейшов за посиланням на документацію Encoding... і дізнався, що scanтакож є encodingаргумент O_O ... 20 байт
JayCe

@JayCe, хто це обійняв! Дуже хороша!
Джузеппе

6

Python 2 , 40 38 байт

-2 байти завдяки Еріку Переможнику .

lambda s:s.decode('1252').encode('u8')

Спробуйте в Інтернеті!

u8 - псевдонім для utf-8.


Можливо, ви могли б трохи «обдурити» з цим: input().decode(...).encode(...):) також я думаю, що ви могли б скористатись кодуванням консолі Windows, якщо в powerhell (але я зовсім не впевнений у цьому).
KeyWeeUsr


@KeyWeeUsr Проблема вашої пропозиції полягає в тому, що насправді нічого не виходить на відміну від відповіді, який ви пов’язали. R виводить значення голого вираження, а не.
ов

4

Python 3 , 38 36 34 байт

lambda s:s.encode().decode('1252')

Спробуйте в Інтернеті!

Примітка: Після того, як у мене була робоча функція, я використовував відповідь відповіді pyshon2 ovs, щоб дізнатися про поля заголовка та нижнього колонтитулу для tio, тому заголовок і колонтитул однакові

редагувати: Обрізав це трохи завдяки тому, що python3 за замовчуванням до utf8 та підказки з подання ovs :)


3

JavaScript, 64 байти

x=>new TextDecoder('cp1252').decode(new TextEncoder().encode(x))

Навіть довше, ніж відповідь Java. Так сумно. :(




2

180 байт, машинний код (16-бітний x86)

Я помітив, що більшість відповідей використовують вбудований кодування / декодування (що, на мою думку, ідеально), але я подумав, що продовжу 16-бітний квест .

Як і в попередніх, це було зроблено без компілятора, використовуючи в основному хексистор HT та hexplorer ICY .

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                                ....                              

bake.com <input.txt> out.dat

Розсічення

Реалізація досить прямолінійна, хоча я не замислювався над тим, щоб просуватися вперед, тому там є ДЕЯКІ спагетті.

Я трохи змішаю замовлення, щоб легше було стежити ...

0000 eb40               jmp         0x42

Пропустіть таблицю, яка відображає символи> = 0x80 <0xa0, щоб коди Unicode.

data db ACh,20h, 00h,00h, 1Ah,20h, ...

Недійсні кодуються як 0, вони ні до чого не відображаються

0075 b440               mov         ah, 0x40   
0077 8805               mov         [di], al   
0079 b301               mov         bl, 0x1    
007b cd21               int         0x21       
007d c3                 ret                    

Функція помічника, яка використовується для друку картки al, буде викликана кілька разів.

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         

Підготуйте регістри. Дані будуть прочитані в 0x100, вкажіть siу таблицю перекладу вище.

004c 4b                 dec         bx         
004d b43f               mov         ah, 0x3f   
004f cd21               int         0x21       
0051 85c0               test        ax, ax     
0053 7428               jz          0x7d       

Читайте char із stdin, перейдіть до 0x7d, якщо EOF.

Sidenote: Це насправді невеликий (але досить відомий) трюк, 0x7d містить ret, це спричинить pop sp, spу початкових точках до кінця сегмента, там 00 00є, а cs:0в DOS міститься CD 20, що призводить до виходу програми.

0055 8a05               mov         al, [di]   
0057 3c80               cmp         al, 0x80   
0059 7305               jnc         0x60       
005b e81700             call        0x75       
005e ebec               jmp         0x4c       

Якщо char <0x80, просто роздрукуйте його та перейдіть до початку циклу (оскільки функція помічника встановлює BX на 1 - stdout, стрибки перейдуть до 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       

Ця частина стосується символів> = 0xa0, розбиває код ascii на "високі" два біти та "низькі" 6 біт і застосовує utf-8 маску c080 на два байти, після чого друкує обидва

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       

Ця частина стосується символів> = 0x80 <0xa0, вона знаходить належний код utf-8 у таблиці вгорі, якщо код дорівнює 0, просто переходьте до початку, якщо він нижче 0x7ff (ergo: підходить для двох байтів UTF-8) , просто відрегулюйте значення та повторно використовуйте попередній код на 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       

У заключній частині розглядаються коди, що перевищують 0x7FF, знижують низькі 12 біт, застосовують 0xE0 (див. Опис кодування UTF-8 для довідки) та роздруковують її, регулюють нижню 12 біт і застосовують маску 8080 і знову використовують частину, яка випльовує дві символи .


1

PHP + mbstring , 63 49 байт

<?=mb_convert_encoding($argv[1],'UTF8','CP1252');

Він не працює на TIO через відсутність mbstring. Третій параметр змушує mbstring інтерпретувати рядок як закодований Windows-1252

-14 байт завдяки Ісмаелю Мігелю


<?=mb_convert_encoding($argv[1],'UTF8','CP1252');<- ще коротше!
Ісмаїл Мігель

Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.