تابع تبدیل CP1256 به UTF8

[rezaTavak]

سلام

این تابع هر رشته ای که دارای کد پیج ویندوز عربی یا CP1256 باشد را به کد پیج استاندارد UTF-8 تبدیل میکند.

FUNCTION Cp1256ToUtf8

LPARAMETERS tcString

lcReturnString = ""

FOR i=1 TO LEN(tcString)

    lcChar1 = Cp1256ToUtf8No(SUBSTR(tcString,i,1))

    DO CASE 

        CASE LEN(lcChar1)=2

            lcChar2 = CHR(EVALUATE("0x"+lcChar1))

        CASE LEN(lcChar1)=4

            lcChar2 = CHR(EVALUATE("0x"+SUBSTR(lcChar1,1,2)))+;

                CHR(EVALUATE("0x"+SUBSTR(lcChar1,3,2)))

        CASE LEN(lcChar1)=6

            lcChar2 = CHR(EVALUATE("0x"+SUBSTR(lcChar1,1,2)))+;

                CHR(EVALUATE("0x"+SUBSTR(lcChar1,3,2)))+;

                CHR(EVALUATE("0x"+SUBSTR(lcChar1,5,2)))

    ENDCASE 

            

    lcReturnString = lcReturnString + lcChar2

NEXT 

RETURN lcReturnString



    





FUNCTION Cp1256ToUtf8No 

LPARAMETERS tcChar

LOCAL lcUtf8,lnComma1,lnComma2, lnChar

lnChar = ASC(tcChar)

IF lnChar=0

    RETURN "00"

ENDIF 

lcUtf8 = "0x00,0x01,0x02,0x03,0x04,0x05,0x06,0x07,0x08,0x09  ,0x0A,0x0B,0x0C,0x0D,0x0E,0x0F,"+;

    "0x10,0x11,0x12,0x13,0x14,0x15,0x16,0x17,0x18,0x19  ,0x1A,0x1B,0x1C,0x1D,0x1E,0x1F,"+;

    "0x20,0x21,0x22,0x23,0x24,0x25,0x26,0x27,0x28,0x29  ,0x2A,0x2B,0x2C,0x2D,0x2E,0x2F,"+;

    "0x30,0x31,0x32,0x33,0x34,0x35,0x36,0x37,0x38,0x39  ,0x3A,0x3B,0x3C,0x3D,0x3E,0x3F,"+;

    "0x40,0x41,0x42,0x43,0x44,0x45,0x46,0x47,0x48,0x49  ,0x4A,0x4B,0x4C,0x4D,0x4E,0x4F,"+;

    "0x50,0x51,0x52,0x53,0x54,0x55,0x56,0x57,0x58,0x59  ,0x5A,0x5B,0x5C,0x5D,0x5E,0x5F,"+;

    "0x60,0x61,0x62,0x63,0x64,0x65,0x66,0x67,0x68,0x69  ,0x6A,0x6B,0x6C,0x6D,0x6E,0x6F,"+;

    "0x70,0x71,0x72,0x73,0x74,0x75,0x76,0x77,0x78,0x79  ,0x7A,0x7B,0x7C,0x7D,0x7E,0x7F,"+;

    "0xE282AC,0xD9BE,0xE2809A,0xC692,0xE2809E,0xE280A6  ,0xE280A0,0xE280A1,0xCB86,"+;

    "0xE280B0,0xD9B9,0xE280B9,0xC592,0xDA86,0xDA98,0xD  A88,0xDAAF,0xE28098,0xE28099,"+;

    "0xE2809C,0xE2809D,0xE280A2,0xE28093,0xE28094,0xDA  A9,0xE284A2,0xDA91,0xE280BA,"+;

    "0xC593,0xE2808C,0xE2808D,0xDABA,0xC2A0,0xD88C,0xC  2A2,0xC2A3,0xC2A4,0xC2A5,"+;

    "0xC2A6,0xC2A7,0xC2A8,0xC2A9,0xDABE,0xC2AB,0xC2AC,  0xC2AD,0xC2AE,0xC2AF,0xC2B0,"+;

    "0xC2B1,0xC2B2,0xC2B3,0xC2B4,0xC2B5,0xC2B6,0xC2B7,  0xC2B8,0xC2B9,0xD89B,0xC2BB,"+;

    "0xC2BC,0xC2BD,0xC2BE,0xD89F,0xDB81,0xD8A1,0xD8A2,  0xD8A3,0xD8A4,0xD8A5,0xD8A6,"+;

    "0xD8A7,0xD8A8,0xD8A9,0xD8AA,0xD8AB,0xD8AC,0xD8AD,  0xD8AE,0xD8AF,0xD8B0,0xD8B1,"+;

    "0xD8B2,0xD8B3,0xD8B4,0xD8B5,0xD8B6,0xC397,0xD8B7,  0xD8B8,0xD8B9,0xD8BA,0xD980,"+;

    "0xD981,0xD982,0xD983,0xC3A0,0xD984,0xC3A2,0xD985,  0xD986,0xD987,0xD988,0xC3A7,"+;

    "0xC3A8,0xC3A9,0xC3AA,0xC3AB,0xD989,0xD98A,0xC3AE,  0xC3AF,0xD98B,0xD98C,0xD98D,"+;

    "0xD98E,0xC3B4,0xD98F,0xD990,0xC3B7,0xD991,0xC3B9,  0xD992,0xC3BB,0xC3BC,0xE2808E,"+;

    "0xE2808F,0xDB92,"



lnComma1 = AT(",",lcUtf8,lnChar)

lnComma2 =AT(",",lcUtf8,lnChar+1)

RETURN  SUBSTR(lcUtf8,lnComma1+3,lnComma2-lnComma1-3)

[binyaz2003]

با تشکر از کدتون اما نظرتون راجع به STRCONV( ) چیه؟
فکر کنم یکبار برای تبدیل فارسی که مینوشتم به utf8 ازش استفاده کردم

[rezaTavak]

متاسفانه درست کار نمیکنه.

چون cp1256 توی این لیست نیست. و البته درست هم تبدیل نمیکنه.
این تابع را قبل از تشکیل xml می توان بکار برد چون فاکس پرو در تابع cursortoxml درست عمل نمیکند.
این هم آدرسی که من از جدولش استفاده کرده ام (opensolaris)

http://src.opensolaris.org/source/xr...1256+UTF-8.src

[Esikhoob]

با سلام
سئوالی برای من در مورد فارسی ویژوال فاکس پرو(Windows Arabic 1256) و اختلاف آن با UTF8 پیش آمده.
تا به حال فکر میکردم متن فارسی ویژوال فاکس پرو همان UTF8 است
چرا وقتی یک متن فارسی را از Word کپی paste میکنیم در VFP9 ، درست نشان میدهد ؟ مگر متن فارسی Word بر اساس UTF8 نیست؟

البته من حدس میزنم در هنگام کپی کردن از UTF8 به برنامه های غیر UTF8 ، خود ویندوز این تبدیل را انجام میدهد.

[rezaTavak]

کلا ویندوز از استاندارد خودش استفاده میکنه. مک هم از خودش. IBM هم از خودش.

UTF مربوط به ISO است که در لینوکس پیش فرض است.
http://en.wikipedia.org/wiki/ISO_8859

[Esikhoob]

سلام
دوست عزیز ، مقاله ای که لینکش را داده بودی خواندم.
یک سئوال برایم ایجاد شد که دوست دارم از شما بپرسم:
2 اصطلاح در متن به کار رفته که فکر میکنم برای درک این استانداردها مهم باشد، فرق این دو اصطلاح چیست:
numeric code points و fixed bit-width value
fixed bit-width value از نظر من همان است که در ASCII قدیمی مورد استفاده بوده

اگر پاسخ بدهید ، خیلی متشکر میشوم.
با تشکر

[kia1349]

به نظر من هم همینطوره
اگر سایر دوستان اطلاعاتی دارند ارائه کنند تا استفاده کنیم

[Esikhoob]

تا آنجا که فهمیدم "numeric code points" چیزی نیست بجز همان کد برای کاراکتر.
UTF-8 هم نوع آسان شده (البته هنوز سادگیش را نفهمیدم) از UNICODE هست تا با کدبندیهای قدیمی سازگار باشد و سیستم های بیشتری آن را بفهمند.

[Esikhoob]

از راه ساختن فایلهای txt با متن فارسی و انگلیسی با کد پیج های مختلف و دیدن ظرفیت های آنها و همینطور استفاده از برنامه \microsoft visual foxpro 9\Tools\HexEdit ، به این نتایج دست پیدا کردم :
در 1256 ARABIC و کد پیج ایران سیستم که مورد استفاده فاکس پرو است، هر کاراکتر یک بایت است .
در UTF-8 هر کاراکتر فارسی 2 بایت است در حالی که کاراکتر انگلیسی 1 بایت است.
در UNICODE یا UTF-16 هر کاراکتر(چه فارسی چه انگلیسی) 2 بایت هست.

تا آنجا که من دیدم اینطوری بود ، آیا این صحبتها اشکالی دارد؟

[rahro]

سلام
ميخام يه متن فارسي رو به يونيكد تبديل كنم از تابع آقاي توكل و همجنين تابع STRCONV استفاده كردم ولي به نتيجه نرسيدم ، كسي از دوستان ميتونه كمك كنه كه مشكل كجاست ؟!