utf8_2_ascii.c

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <inttypes.h>

// mapa de caracteres
#define A_AGUDO 	65380
#define A_CRASE 	65379
#define A_TIL		65382

#define E_AGUDO		65388
#define E_CIRCUN	65389

#define O_AGUDO		65398
#define O_CIRCUN	65399
#define O_TIL		65400	

#define C_CEDIL		65386

#define alloc(size) (char*) malloc((size) * sizeof(char))

// passa para forma binaria
void binary(char utf8_char, char * bits)
{
	#define BINARY_BASE 0b00000001

	for(uint8_t i = 0; i < 8; i++)
	{
		uint8_t bit = (utf8_char >> i) & BINARY_BASE;

		if(bit)
		{
			bits[7u - i] = '1';
		}
		else
		{
			bits[7u - i] = '0';
		}
	}
}

// conta numero de bytes a partir das flags no msb
uint8_t utf8_n_bytes(char utf8)
{
	uint8_t counter = 1;
	char msb[9] = {'\0'};

	binary(utf8, msb);

	// msb 0 indica que vai de 0..127
	if(msb[0] == '0')
	{
		return 1;
	}

	// ate chegar na flag de fim do contador
	// 1...0xxxx
	for(; msb[counter] != '0'; counter++);
	return counter;
}

// converte UTF-8 para ASCII padrao
char * utf8_2_ascii(char * utf8)
{
	// tamanho da cadeia ascii final
	uint8_t ascii_length = 1;

	// ascii final
	char * ascii = alloc(1);

	// caractere ascii que ira ficar no lugar dos utf-8 com acentos latinos
	char babbel = '\0';

	// itera toda a string, verificando o numero de bytes que o msb aponta
	// se o caractere usa apenas 1 byte (0xxxxxxx), entao ja esta em ascii
	// se usa mais ou mais  >= 2 bytes (110xxxxx)(10xxxx)..(10xxxx), entao os bytes
	// sao pulados ate achar um em ascii
	// se os carecteres com acentuacao latinos forem achados, entao sao substituidos
	// pelos caracteres sem os acentos
	for(uint32_t i = 0; utf8[i] != '\0'; i++)
	{
		uint8_t n_bytes = utf8_n_bytes(utf8[i]);

		if(n_bytes == 1)
		{
			// apenas adiciona ao ascii final
			ascii[ascii_length-1] = utf8[i];
			ascii_length += 1;
			ascii = (char*) realloc(ascii, ascii_length);
		}
		else
		{
			// valor numerico do caractere em forma de soma
			// do valor dos bytes
			uint16_t sum_utf8_code = 0;

			// soma os valores dos bytes do caractere
			for(uint8_t aux = 0; aux < n_bytes; aux++)
			{
				sum_utf8_code += utf8[i + aux];
			}

			// verifica qual letra corresponde
			// se nao houver, nulo '\0' eh setado
			switch(sum_utf8_code)
			{
				case A_AGUDO:
				case A_TIL:
				case A_CRASE:
				babbel = 'a';
				break;

				case E_AGUDO:
				case E_CIRCUN:
				babbel = 'e';
				break;

				case O_AGUDO:
				case O_TIL:
				case O_CIRCUN:
				babbel = 'o';
				break;

				case C_CEDIL:
				babbel = 'c';
				break;

				default:
				babbel = '\0';
			}

			if(babbel != '\0')
			{
				// se houver letras latinas acentuadas,
				// adiciona o caractere corresponde sem
				// acento ao ascii final
				ascii[ascii_length-1] = babbel;
				ascii_length += 1;
				ascii = (char*) realloc(ascii, ascii_length);
			}

			// pula os bytes do utf non-ascii
			i += n_bytes - 1;
		}	
	}

	// EOS
	ascii = (char*) realloc(ascii, ascii_length + 1);	
	ascii[ascii_length] = '\0';
	return ascii;
}

// mostra os bits do caractere
void utf8_bits(char * utf8)
{
	for(uint32_t i = 0; utf8[i] != '\0'; i++)
	{
		char b[9] = {'\0'};

		binary(utf8[i], b);
		printf("%8s ", b);
	}
	printf("\n");
}

int main(uint32_t argc, char * argv[])
{
	char * ascii = NULL;
	char buff[2056];

	while(1)
	{
		printf(">");
		scanf("%s", buff);

		if(strcmp(buff, ".sair") == 0)
		{
			printf("até mais :)\n");
			break;
		}

	 	ascii = utf8_2_ascii(buff);
		printf("em ascii: %s\n", ascii);
		free(ascii);
	}
	return 0;
}