C++ में UTF-8 सत्यापन

मान लीजिए हमारे पास डेटा का प्रतिनिधित्व करने वाली पूर्णांकों की एक सूची है। हमें जांचना है कि यह वैध UTF-8 एन्कोडिंग है या नहीं। एक UTF-8 वर्ण 1 से 4-बाइट लंबा हो सकता है। कुछ गुण हैं:

• 1-बाइट वर्ण के लिए, पहला बिट 0 होता है, उसके बाद इसका यूनिकोड कोड होता है।
• n-बाइट वर्ण के लिए, पहले n-बिट्स सभी 1 होते हैं, n+1 बिट 0 होता है, उसके बाद n-1 बाइट्स होती हैं जिनके सबसे महत्वपूर्ण 2 बिट्स 10 होते हैं।

इसलिए एन्कोडिंग तकनीक निम्नानुसार है:

उदाहरण के लिए, यदि इनपुट [197, 130, 1] जैसा है, तो यह ऑक्टेट अनुक्रम 11000101 10000010 00000001 का प्रतिनिधित्व करता है, इसलिए यह true लौटाएगा। यह 2-बाइट वर्ण के बाद 1-बाइट वर्ण के लिए एक वैध utf-8 एन्कोडिंग है।

इसे हल करने के लिए, हम निम्नलिखित चरणों का पालन करेंगे:

• cnt := 0
• i को 0 से डेटा सरणी के आकार तक लूप करें
  • x := data[i]
  • यदि cnt = 0, तो
    • यदि x/32 = 110, तो cnt को 1 सेट करें
    • अन्यथा जब x/16 = 1110, तो cnt = 2
    • अन्यथा जब x/8 = 11110, तो cnt = 3
    • अन्यथा जब x/128 = 0, तो गलत लौटाएं
  • अन्यथा जब x / 64 = 10 नहीं है, तो गलत लौटाएं और cnt को 1 से घटाएं
• जब cnt = 0 हो तो सही लौटाएं

उदाहरण (C++)

बेहतर समझ के लिए निम्नलिखित कार्यान्वयन देखें:

#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)); }

इनपुट

[197,130,1]

आउटपुट

1