A character in UTF8 can be from 1 to 4 bytes long, subjected to the following rules:
- For 1-byte character, the first bit is a 0, followed by its unicode code.
- For n-bytes character, the first n-bits are all one's, the n+1 bit is 0, followed by n-1 bytes with most significant 2 bits being 10.
This is how the UTF-8 encoding would work:
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
Given an array of integers representing the data, return whether it is a valid utf-8 encoding.
Note:
The input is an array of integers. Only the least significant 8 bits of each integer is used to store the data. This means each integer represents only 1 byte of data.
Example 1:
data = [197, 130, 1], which represents the octet sequence: 11000101 10000010 00000001. Return true. It is a valid utf-8 encoding for a 2-bytes character followed by a 1-byte character.
Example 2:
data = [235, 140, 4], which represented the octet sequence: 11101011 10001100 00000100.+ Return false. The first 3 bits are all one's and the 4th bit is 0 means it is a 3-bytes character. The next byte is a continuation byte which starts with 10 and that's correct. But the second continuation byte does not start with 10, so it is invalid.
这道题考察我们UTF-8编码,这种互联网所采用的通用的编码格式的产生是为了解决ASCII只能表示英文字符的局限性,和统一Unicode的实现方式。下面这段摘自维基百科UTF-8编码:
对于UTF-8编码中的任意字节B,如果B的第一位为0,则B独立的表示一个字符(ASCII码);
如果B的第一位为1,第二位为0,则B为一个多字节字符中的一个字节(非ASCII字符);
如果B的前两位为1,第三位为0,则B为两个字节表示的字符中的第一个字节;
如果B的前三位为1,第四位为0,则B为三个字节表示的字符中的第一个字节;
如果B的前四位为1,第五位为0,则B为四个字节表示的字符中的第一个字节;
因此,对UTF-8编码中的任意字节,根据第一位,可判断是否为ASCII字符;根据前二位,可判断该字节是否为一个字符编码的第一个字节;根据前四位(如果前两位均为1),可确定该字节为字符编码的第一个字节,并且可判断对应的字符由几个字节表示;根据前五位(如果前四位为1),可判断编码是否有错误或数据传输过程中是否有错误。
那么根据上面的描述,我们可以先来判断第一位,如果是0的话,则说明是ASCII码,我们直接跳过,判断方法是只要比二进制数10000000小的数第一位肯定是0,然后我们来处理第一位是1的情况,由于第一位的1只是个标识符,后面连续跟的1的个数才是表示后面的字节的个数,我们可以统一从第一位开始连续1的个数,然后减去1就是后面的字节的个数,我想的办法是如果该数字大于等于128,则表示第一位是1,然后减去128,如果得到的数大于等于64,则表示第二位是1,依次类推就可以得到连续的个数,我们要注意10000000这个数是不合法的,遇到了直接返回false。我们得到了cnt的个数,只要验证后面的字节是否是以10开头的数即可,验证方法也很简单,只要这个数在10000000 ~ 10111111范围之间,则一定是10开头的,参见代码如下:
解法一:
class Solution { public: bool validUtf8(vector<int>& data) { for (int i = 0; i < data.size(); ++i) { if (data[i] < 0b10000000) { continue; } else { int cnt = 0, val = data[i]; for (int j = 7; j >= 1; --j) { if (val >= pow(2, j)) ++cnt; else break; val -= pow(2, j); } if (cnt == 1) return false; for (int j = i + 1; j < i + cnt; ++j) { if (data[j] > 0b10111111 || data[j] < 0b10000000) return false; } i += cnt - 1; } } return true; } };
在论坛里看到了一种非常简洁的方法,大神就是大神啊,这种方法也是要记连续1的个数,如果是标识字节,先将其向右平移五位,如果得到110,则说明后面跟了一个字节,否则向右平移四位,如果得到1110,则说明后面跟了两个字节,否则向右平移三位,如果得到11110,则说明后面跟了三个字节,否则向右平移七位,如果为1的话,说明是10000000这种情况,不能当标识字节,直接返回false。在非标识字节中,向右平移六位,如果得到的不是10,则说明不是以10开头的,直接返回false,否则cnt自减1,成功完成遍历返回true,参见代码如下:
解法二:
class Solution { public: bool validUtf8(vector<int>& data) { int cnt = 0; for (int d : data) { if (cnt == 0) { if ((d >> 5) == 0b110) cnt = 1; else if ((d >> 4) == 0b1110) cnt = 2; else if ((d >> 3) == 0b11110) cnt = 3; else if (d >> 7) return false; } else { if ((d >> 6) != 0b10) return false; --cnt; } } return cnt == 0; } };
参考资料:
https://discuss.leetcode.com/topic/57195/concise-c-implementation