1.题目描述
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。
2.解题思路
方法一: 字符串操作
这个问题本身并不复杂。只要我们遵循题述中的规则,就不会做错了。下面将直接给出算法。
算法
- 对数组中每个整数进行处理。
- 对于每个整数,获取当前整数 字符串形式 的二进制表示。考虑到整数可能非常大,我们只需要只保留 最低8 比特 就可以了。完成这个步骤之后,我们会获得一个 8 比特的二进制字符串数组。我们把这个数组叫做 bin_rep。
- 在接下来的步骤中有两个情况需要处理。
-
第一个情况是,我们正在处理某个 UTF-8 字符之中。在这个情况下,我们只需要检查前两个比特是不是 10 就可以了。bin_rep[:2] == "10"
-
第二个情况是刚开始处理一个新的 UTF-8字符。在这个情况下,我们需要查看这个字节的前缀,计算第一个 0 之前 1 的个数。这会告诉我们当前 UTF-8 字符的大小。
3.代码实现
class Solution:
def validUtf8(self, data):
"""
:type data: List[int]
:rtype: bool
"""
n_bytes = 0
mask1 = 1 << 7
mask2 = 1 << 6
for num in data:
mask = 1 << 7
if n_bytes == 0:
while mask & num:
n_bytes += 1
mask = mask >> 1
if n_bytes == 0:
continue
if n_bytes == 1 or n_bytes > 4:
return False
else:
if not (num & mask1 and not (num & mask2)):
return False
n_bytes -= 1
return n_bytes == 0
这个测试样例有问题:
[240,162,138,147,145]为什么是False?