Linux下FASM西里尔字母转大写函数处理俄语字母失效问题

你的代码失效的核心问题是直接对UTF-8编码的字节值做比较和加减——俄语字母的UTF-8大小写编码并非统一差0x20（比如ё的大小写编码差就不是0x20），而且原有的范围判断逻辑完全错误，因为UTF-8编码的大小写值并不落在你设定的区间里。

正确的思路是绕开直接操作UTF-8字节，先把双字节UTF-8解码成Unicode码点，完成大写转换后再重新编码回UTF-8，这样就能通用处理所有俄语字母。

原代码的具体问题 #

1. 范围判断逻辑错误：你拿я的UTF-8编码（0xD18F）和Я的UTF-8编码（0xD0AF）做区间判断，但这两个值本身就不是连续区间的边界，导致大部分俄语小写字母都被错误跳过。
2. 直接对UTF-8字节减0x20：只有部分俄语字母的UTF-8大小写编码差是0x20，像ё这种特殊字母完全不适用，无法覆盖所有情况。

通用解决步骤 #

1. 解码UTF-8到Unicode码点：双字节UTF-8的格式是110xxxxx 10yyyyyy，解码成Unicode码点的公式是：

   码点 = ((第一个字节 & 0x1F) << 6) | (第二个字节 & 0x3F)
   

2. Unicode码点转大写：
   • 俄语小写字母的码点范围是U+0430到U+044F，对应大写码点是U+0410到U+042F，直接减0x20即可。
   • 特殊字母ё的码点是U+0451，对应大写Ё的码点是U+0401，单独处理。
3. 编码回UTF-8双字节：如果码点在U+0080到U+07FF之间（所有俄语字母都在此区间），编码公式是：

   第一个字节 = 0xC0 | (码点 >> 6)
   第二个字节 = 0x80 | (码点 & 0x3F)
   

修改后的FASM代码 #

; 前提：AX中存储双字节UTF-8字符（ah=第一个字节，al=第二个字节）
; 第一步：解码UTF-8到Unicode码点，存入BX
mov bx, ah         ; 取UTF-8第一个字节
and bx, 0x1F       ; 保留低5位（对应格式中的xxxxx）
shl bx, 6          ; 左移6位，为第二个字节的低6位腾位置
mov cx, al         ; 取UTF-8第二个字节
and cx, 0x3F       ; 保留低6位（对应格式中的yyyyyy）
or bx, cx          ; 合并得到完整的Unicode码点

; 第二步：判断是否需要转大写
cmp bx, 0x0430     ; 俄语小写字母的起始码点（а）
jb skip_convert    ; 小于则不是俄语小写，跳过转换
cmp bx, 0x044F     ; 俄语小写字母的结束码点（я）
ja check_yo        ; 大于则检查是否是ё

; 普通俄语小写字母，直接转大写
sub bx, 0x20
jmp encode_back

check_yo:
cmp bx, 0x0451     ; 检查是否是ё的码点
jne skip_convert
mov bx, 0x0401     ; 转成Ё的码点
jmp encode_back

skip_convert:
; 不需要转换，直接用原AX的UTF-8值
jmp write_output

encode_back:
; 第三步：将Unicode码点重新编码为双字节UTF-8
mov ax, bx
shr ax, 6          ; 取码点的高5位
or ah, 0xC0        ; 设置UTF-8第一个字节的前缀110
mov al, bx
and al, 0x3F       ; 取码点的低6位
or al, 0x80        ; 设置UTF-8第二个字节的前缀10
; 现在AX中就是转换后的UTF-8双字节（ah=第一个字节，al=第二个字节）

write_output:
; 写入结果到RDI指向的内存（x86是小端序，必须按UTF-8顺序存ah和al）
mov byte [rdi], ah
mov byte [rdi+1], al
add rdi, 2
jmp loop_string

关键说明 #

• 你之前mov word [rdi], ax失效的原因：x86是小端字节序，这条指令会先把al存入[rdi]，再把ah存入[rdi+1]，但UTF-8需要按原字节顺序（第一个字节在前）存储，所以必须分开写入ah和al。
• 这个方案通过Unicode码点处理，能覆盖所有俄语字母的大小写转换，不用再逐个字符写判断逻辑。

内容的提问来源于stack exchange，提问作者Alexandr