393. UTF-8 Validation

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.

方法1:

思路：

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。

首先判断之前是否出现标示字节。用count来计数，首先shift 5位之后是否等于0b110，如果等于，后面要跟count = 1个字节码；shift 4位和0b1110比，count = 2；shift 3位和0b111110，count = 3。如果都不是的话，还要排除首位为1的情况，是非法的标示，也非ASCII。如果没有被返回，说明是以0为开头，是ascii，可以let it pass。如果已经被标示，后面的每一个数字必须以10开始。最后还要检查是否承诺过的count都已经出现过了。

易错点：

1. 最后还要检查是否承诺过的count都已经出现过了。

class Solution {
public:
    bool validUtf8(vector<int>& data) {
         int count = 0;
         for (auto num: data) {
             // 如果之前尚未出现标示字节，必须标示，否则必须是ASCII码
             if (count == 0) {
                 if ((num >> 5) == 0b110) count = 1;
                 else if ((num >> 4) == 0b1110) count = 2;
                 else if ((num >> 3) == 0b11110) count = 3;
                 else if (num >> 7) return false;
             }
             else {
                 if ((num >> 6) != 0b10) return false;
                 count--;
             }
         }
        return count == 0;
    }
};