การตรวจสอบ UTF-8 ใน C++

สมมติว่าเรามีรายการจำนวนเต็มที่แสดงข้อมูล เราต้องตรวจสอบว่าเข้ารหัส UTF-8 ถูกต้องหรือไม่ อักขระ UTF-8 หนึ่งตัวสามารถมีความยาวได้ 1 ถึง 4 ไบต์ มีคุณสมบัติบางอย่าง -

• สำหรับอักขระ 1 ไบต์ บิตแรกคือ 0 ตามด้วยรหัสยูนิโค้ด

• สำหรับอักขระ n-bytes n-bit แรกคือ 1 ทั้งหมด n+1 บิตคือ 0 ตามด้วย n-1 ไบต์โดยที่ 2 บิตที่สำคัญที่สุดคือ 10

ดังนั้นเทคนิคการเข้ารหัสจึงเป็นดังนี้ −

ดังนั้นหากอินพุตเป็น [197, 130, 1] นี่หมายถึงลำดับออคเต็ต 11000101 10000010 00000001 ดังนั้นค่านี้จะคืนค่าเป็นจริง เป็นการเข้ารหัสแบบ utf-8 ที่ถูกต้องสำหรับอักขระ 2 ไบต์ ตามด้วยอักขระ 1 ไบต์

เพื่อแก้ปัญหานี้ เราจะทำตามขั้นตอนเหล่านี้ -

• cnt :=0

• สำหรับฉันอยู่ในช่วง 0 ถึงขนาดของอาร์เรย์ข้อมูล

  • x :=data[i]

  • ถ้า cnt เป็น 0 แล้ว

    • ถ้า x/32 =110 ให้ตั้งค่า cnt เป็น 1

    • มิฉะนั้นเมื่อ x/16 =1110 แล้ว cnt =2

    • มิฉะนั้นเมื่อ x/8 =11110 แล้ว cnt =3

    • มิฉะนั้นเมื่อ x/128 เป็น 0 ให้คืนค่าเท็จ

  • มิฉะนั้นเมื่อ x /64 ไม่ใช่ 10 แล้วคืนค่าเท็จและลด cnt ลง 1

• คืนค่า true เมื่อ cnt เป็น 0

ตัวอย่าง(C++)

ให้เราดูการใช้งานต่อไปนี้เพื่อความเข้าใจที่ดีขึ้น -

#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));
}

อินพุต

[197,130,1]

ผลลัพธ์

1