assembly - 32 位寄存器中非零字符的高效 UTF-8 字符长度解码

Question

我在 eax 中存储了一个 UTF-8 字符后来，在处理中，我需要知道有多少字节组成了字符。

我已经缩小了范围，最大限度地减少了变化和掩码，想知道我是否在某处错过了一些巧妙的技巧？

选项 1:蛮力

    mov     r11, 4      ;   Maximum bytes
    bt      eax, 31     ;   Test 4th MSB
    jc      .exit 
    dec     r11         ;   Lets try 3
    bt      eax, 23     ;   Test 3rd MSB
    jc      .exit 
    dec     r11         ;   Lets try 2
    bt      eax, 15     ;   Test 2nd MSB
    jc      .exit 
    dec     r11         ;   It's straight up ascii (1 byte)
.exit:

注:

我在eax中积累了正如每个人所指出的那样注册错误。

Margaret 和 Ped7g 都提供了解决方案，我学到的比预期的还要多。

Answer 1

如果您可以假设 correct encoding of the character ，您可以简单地检查第一个代码单元中最高零的位置(感谢 UTF-8 的自动同步属性)。

罪魁祸首是对于一个代码单元的代码点，最高零是第 7 位。对于 n 个代码单元的代码点，最高位是 7 - n(注意“不连续性”)。

假设第一个代码单元在 al .

not al                 ;Trasform highest 0 in highest 1
bsr al, al             ;Find the index (from bit0) of the first 1 from the left
xor al, 7              ;Perform 7 - index
                       ;This gives 0 for single code unit code points
mov ah, 1
cmovz al, ah           ;Change back to 1

请注意 bsr没有为 0 的输入定义，但这只会发生在无效的前导代码单元(值为 11111111b)。

您可以使用 jz <error handler> 检测无效的 0xff 代码单元后 bsr操作说明。

感谢@CodyGray 指出原始版本的错误。
感谢@PeterCorders 指出执行 7 - AL 的 XOR 技巧。