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。
自己写的第一版本:有点牵强
class Solution {
public boolean validUtf8(int[] data) {
if (data == null || data.length == 0) return false;
int k = -1;
for (int i = 0;i < data.length;i++) {
if (k == -1) {
k = findByte(data[i]);
} else if (k == 0) {
k = findByte(data[i]);
} else if (k > 0) {
if (data[i] >= 128)
k--;
else
return false;
}
if (k < 0) return false;
}
return k == 0;
}
public int findByte(int data) {
if (data >= 192 && data <224 ) {
return 1;
} else if (data >= 224 && data < 240) {
return 2;
} else if (data >= 240 && data <= 247 ) {
return 3;
} else if (data <= 127) {
return 0;
} else if (data >= 255) {
return -3;
}
return -1;
}
}
学习一下位运算加速运行速度:
public boolean validUtf8(int[] data) {
int k = 0;
for (int i = 0;i < data.length;i++) {
if (k > 0) {
if (data[i] >> 6 != 2) return false;
k--;
} else if (data[i] >> 7 == 0) {
k = 0;
} else if (data[i] >> 5 == 0b110) {
k = 1;
} else if (data[i] >> 4 == 0b1110) {
k = 2;
} else if (data[i] >> 3 == 0b11110) {
k = 3;
} else {
return false;
}
}
return k == 0;
}