力扣-393. UTF-8 编码验证-Python题解

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。

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。

class Solution:
    def validUtf8(self, data: List[int]) -> bool:
        # print(data)
        if data == None:
            return False
        data_len = len(data)

        # 获取utf-8字符字节的数量
        utf_size = self.get_uft_size(data, 0)
        res = self.get_is_valid_utf(data, data_len, 0, utf_size)
        return res
    # data:整数数组
    # data_len:整数数组长度
    # start:开始位置的索引
    # utf_size:utf字符字节的长度
    def get_is_valid_utf(self, data, data_len, start, utf_size):
        # UTF-8字符的长度大于4或小于，是异常的，直接返回False
        # print(start, utf_size, data_len)
        if( utf_size < 1 or utf_size > 4):
            return False
        # 开始位置加上该字符串的长度大于数组的总长度，则说明字符缺数据，直接返回False
        if start + utf_size > data_len:
            return False

        if utf_size != 1:
            # 如果该utf-8字符长度大于1，则判断后面的字节前两位是否10
            for i in range(start + 1, start + utf_size):
                # 将后面的每一个元素都转换成二进制字符串
                binary = '{:08b}'.format(data[i])
                # print(binary)
                if binary[0] != '1' or binary[1] != '0':
                    return False
        # 如果data中所有数据都遍历完，则返回True
        if start + utf_size == data_len:
            return True
        
        # 更新开始索引
        start = start + utf_size
        utf_size = self.get_uft_size(data, start)

        return self.get_is_valid_utf(data, data_len, start, utf_size)

    def get_uft_size(self, data, start):
        # 获取第一个字节的二进制字符串
        binary = '{:08b}'.format(data[start])
        # 对于 1 字节的字符，字节的第一位设为0
        if binary[0] == '0':
            return 1
        else:
            # 下面是字符的字节个数大于1的情况
            utf_size = 0
            # 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
            for j in range(8):
                # print(binary, binary[j])
                if binary[j] == '0':
                    break
                utf_size += 1
            # 如果utf_size小于2，则跟规则不相符
            if utf_size < 2:
                return -1
            return utf_size