393. UTF-8 编码验证

最新推荐文章于 2023-02-14 22:26:41 发布

原创最新推荐文章于 2023-02-14 22:26:41 发布 · 446 阅读

0 ·

CC 4.0 BY-SA版权

位运算专栏收录该内容

2 篇文章

订阅专栏

本文详细解析了UTF-8编码的规则，展示了如何通过检查字节序列来判断其是否符合UTF-8编码标准。通过具体示例，阐述了有效的UTF-8编码应遵循的条件，包括1至4字节字符的编码方式。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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