C++의 UTF-8 유효성 검사

데이터를 나타내는 정수 목록이 있다고 가정합니다. 유효한 UTF-8 인코딩인지 여부를 확인해야 합니다. 하나의 UTF-8 문자는 1~4바이트 길이가 될 수 있습니다. 몇 가지 속성이 있습니다 -

• 1바이트 문자의 경우 첫 번째 비트는 0이고 그 뒤에 유니코드 코드가 옵니다.

• n바이트 문자의 경우 첫 번째 n비트는 모두 1이고 n+1비트는 0이며 그 다음 n-1바이트가 오고 최상위 2비트는 10입니다.

따라서 인코딩 기술은 다음과 같습니다 -

따라서 입력이 [197, 130, 1]과 같으면 이것은 옥텟 시퀀스 11000101 10000010 00000001을 나타내므로 true를 반환합니다. 2바이트 문자 다음에 1바이트 문자가 오는 유효한 utf-8 인코딩입니다.

이 문제를 해결하기 위해 다음 단계를 따릅니다. −

• cnt :=0

• 범위 0에서 데이터 배열 크기까지의 i에 대해

  • x :=데이터[i]

  • cnt가 0이면

    • x/32 =110이면 cnt를 1로 설정

    • 그렇지 않으면 x/16 =1110일 때 cnt =2

    • 그렇지 않으면 x/8 =11110일 때 cnt =3

    • 그렇지 않으면 x/128이 0이면 false를 반환합니다.

  • 그렇지 않으면 x /64가 10이 아닌 경우 false를 반환하고 cnt를 1로 줄입니다.

• cnt가 0일 때 true를 반환

예시(C++)

이해를 돕기 위해 다음 구현을 살펴보겠습니다. −

#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));
}

입력

[197,130,1]

출력

1