Leetcode 393. UTF-8 编码验证

题目

UTF-8 中的一个字符可能的长度为 1 到 4 字节，遵循以下的规则：

对于 1 字节的字符，字节的第一位设为0，后面7位为这个符号的unicode码。 对于 n 字节的字符 (n > 1)，第一个字节的前 n 位都设为1，第 n+1 位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。 这是 UTF-8 编码的工作方式：

Char. number range | UTF-8 octet sequence (hexadecimal) | (binary) --------------------+--------------------------------------------- 0000 0000-0000 007F | 0xxxxxxx 0000 0080-0000 07FF | 110xxxxx 10xxxxxx 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

给定一个表示数据的整数数组，返回它是否为有效的 utf-8 编码。

注意: 输入是整数数组。只有每个整数的最低 8 个有效位用来存储数据。这意味着每个整数只表示 1 字节的数据。

测试样例

示例 1:

data = [197, 130, 1], 表示 8 位的序列: 11000101 10000010 00000001. 返回 true 。 这是有效的 utf-8 编码，为一个2字节字符，跟着一个1字节字符。

示例 2:

data = [235, 140, 4], 表示 8 位的序列: 11101011 10001100 00000100. 返回 false 。 前 3 位都是 1 ，第 4 位为 0 表示它是一个3字节字符。 下一个字节是开头为 10 的延续字节，这是正确的。 但第二个延续字节不以 10 开头，所以是不符合规则的。

题解

我们构造x[4]=10000000、11100000、11110000、11111000用于获取高1、3、4、5位，然后我们同时构造flag[4]=00000000、11000000、11100000、11110000分别表示是否符合我们的要求。对于第i个字节，我们现从第4中类型检查，也就是说data[i]&x[j] == flag[j],满足后我们还需要确定其高2位为10，我们可以通过(data[i]&flag[1]) == x[0]进行判定。详细过程见代码

代码

bool validUtf8(vector<int>& data) { int n = data.size(); int x[4],flag[4]; x[0] = 1<<7; //10000000 //用于获取高1位 flag[0] = 0; //00000000 //第一种类型要求第1字节全0 x[1] = x[0]^(3<<5); //11100000 //获取高3位 flag[1] = x[0]^(1<<6); //11000000 //第二种类型高3位为110,且可以用来获取高2位 x[2] = x[1]^(1<<4); //11110000 //用来获取高4位 flag[2] = x[1]; //11100000 //第三种类型高4位为1100 x[3] = x[2]^(1<<3); //11111000 //用来获取高5位 flag[3] = x[2]; //11110000 //第四种类型高5位为11110 for(int i=0; i<n; ){ int j; for(j=3; j>=0; j--){ if((data[i]&x[j]) == flag[j]) break; } if(j == -1) return false; j--; i++; while(j>=0){ //其余字节的数据需要保证高2位为10,对于第j中类型，需要考虑后j个字节 if(i==n || (data[i]&flag[1]) != x[0]) return false; j--; i++; } } return true; }

来源：力扣（LeetCode） 链接：https://leetcode-cn.com/problems/utf-8-validation 著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。