C++でのUTF-8検証

データを表す整数のリストがあるとします。有効なUTF-8エンコーディングであるかどうかを確認する必要があります。 1つのUTF-8文字の長さは1〜4バイトです。いくつかのプロパティがあります-

• 1バイト文字の場合、最初のビットは0で、その後にUnicodeコードが続きます。

• nバイト文字の場合、最初のnビットはすべて1で、n + 1ビットは0で、その後にn-1バイトが続き、最上位2ビットは10です。

したがって、エンコード手法は次のようになります-

したがって、入力が[197、130、1]の場合、これはオクテットシーケンス11000101 10000010 00000001を表すため、これはtrueを返します。これは、2バイト文字の後に1バイト文字が続く場合の有効なutf-8エンコーディングです。

これを解決するには、次の手順に従います-

• cnt：=0

• 0からデータ配列のサイズまでの範囲のiの場合

  • x：=data [i]

  • cntが0の場合、

    • x / 32 =110の場合、cntを1に設定します

    • それ以外の場合、x / 16 =1110の場合、cnt =2

    • それ以外の場合、x / 8 =11110の場合、cnt =3

    • それ以外の場合、x / 128が0の場合、falseを返します

  • それ以外の場合、x / 64が10でない場合は、falseを返し、cntを1減らします

• cntが0の場合はtrueを返します

例（C ++）

理解を深めるために、次の実装を見てみましょう-

#include <bits/stdc++.h>
using namespace std;
class Solution {
   public:
   bool validUtf8(vector<int>& data) {
      int cnt = 0;
      for(int i = 0; i <data.size(); i++){
         int x = data[i];
         if(!cnt){
            if((x >> 5) == 0b110){
               cnt = 1;
            }
            else if((x >> 4) == 0b1110){
               cnt = 2;
            }
            else if((x >> 3) == 0b11110){
               cnt = 3;
            }
            else if((x >> 7) != 0) return false;
            } else {
               if((x >> 6) != 0b10) return false;
               cnt--;
            }
         }
         return cnt == 0;
      }
};
main(){
   Solution ob;
   vector<int> v = {197,130,1};
   cout << (ob.validUtf8(v));
}

入力

[197,130,1]

出力

1