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:看懂这个表就比较简单了,具体看代码注释
class Solution(object):
def validUtf8(self, data):
"""
:type data: List[int]
:rtype: bool
"""
# 用来统计之后还有几个字节
count = 0
# 把数据直接当成2进制来看
for i in data:
if count == 0:
# 右移去除二进制的unicode码
# 这是表中最后一种情况
# 后面还跟有3个10xxxxxx
if i >> 3 == 0b11110:
count = 3
# 第三种情况
elif i >> 4 == 0b1110:
count = 2
# 第二种
elif i >> 5 == 0b110:
count = 1
# 第一种
elif i >> 7 == 0b0:
count = 0
# 如果不是以上情况则直接返回False
else:
return False
# 接着判断之后的字节是否符合要求
else:
# 若去除unicode码后为10,则符合,count-1判断下一个字节
if i >> 6 == 0b10:
count -= 1
# 不为10则为False
else:
return False
return count == 0