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。
思路:一道并不难的题目,就是题意比较坑,对于不熟悉UTF-8编码的人来说太不友好了。
一个合法的 UTF-8 字符的长度为 1-4 字节。
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 位都为 1,第 n+1 位为 0,后面字节的前两位一律都为 10。
输入是代表字符的整数数组。我们要判断数组中的数能不能表示成数个合法的 UTF-8 字符。在第一个的例子里面可以看到,数组上的可以表示称数个合法的 UTF-8 字符,因此这个数组是合法的。
有一个点需要注意的是,数组中的整数是有可能大于255的。我们都知道 8 比特能表示的最大整数为255。假如数组中有一个数为 476,那我们该怎么处理呢? 根据题述例子中的说明,我们只需要考虑每个整数中 最高8位 就可以了。
我将题解里对样例的解释供大家参考:
题解中还有两个例子供大家参考:题解
方法一:字符串操作,我们可以用字符串操作进行模拟判别即可。
class Solution {
public boolean validUtf8(int[] data) {
int numberOfBytesToProcess=0;
for(int i=0;i<data.length;i++) {
String binRep=Integer.toBinaryString(data[i]);
if(binRep.length()>=8)
binRep=binRep.substring(binRep.length()-8);
else
binRep="00000000".substring(binRep.length())+binRep;
if(numberOfBytesToProcess==0) {
for(int j=0;j<binRep.length();j++) {
if(binRep.charAt(j)=='0')
break;
numberOfBytesToProcess+=1;
}
if(numberOfBytesToProcess==0)
continue;
if(numberOfBytesToProcess>4 || numberOfBytesToProcess==1)
return false;
}
else {
if(!(binRep.charAt(0)=='1' && binRep.charAt(1)=='0'))
return false;
}
numberOfBytesToProcess-=1;
}
return numberOfBytesToProcess==0;
}
}
方法二:位操作
首先我们看一下一个整数表示的字节中有哪些部分是需要处理的。
如果在处理一个 UTF-8 字符的开始,我们需要提取一个字节的前 NN 比特,其中 NN 不会超过 4,之后的比特就不需要处理了。
如果是在处理一个 UTF-8 字符的过程中,我们只需要检查前两位是不是 10 就可以了。
该方法不仅能加快时间复杂度(位运算较快),空间复杂度也能降到O(1)
class Solution {
public boolean validUtf8(int[] data) {
int numberOfBytesToProcess=0;
int mask1=1<<7,mask2=1<<6;
for(int i=0;i<data.length;i++) {
if(numberOfBytesToProcess==0) {
int mask=1<<7;
while((mask&data[i])!=0) {
numberOfBytesToProcess++;
mask>>=1;
}
if(numberOfBytesToProcess==0)
continue;
if(numberOfBytesToProcess>4 || numberOfBytesToProcess==1)
return false;
}
else {
if(!((data[i] & mask1)!=0 && (data[i] & mask2)==0))
return false;
}
numberOfBytesToProcess-=1;
}
return numberOfBytesToProcess==0;
}
}