C++ में UTF-8 सत्यापन

मान लीजिए कि हमारे पास डेटा का प्रतिनिधित्व करने वाले एक सूची पूर्णांक हैं। हमें यह जांचना होगा 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 है, उसके बाद उसका यूनिकोड कोड है।

• n-बाइट्स वर्ण के लिए, पहले n-बिट्स सभी 1s हैं, n+1 बिट 0 है, उसके बाद n-1 बाइट्स हैं जिनमें से सबसे महत्वपूर्ण 2 बिट 10 हैं।

तो एन्कोडिंग तकनीक इस प्रकार है -

तो अगर इनपुट [197, 130, 1] जैसा है, तो यह ऑक्टेट अनुक्रम 11000101 10000010 0000001 का प्रतिनिधित्व करता है, इसलिए यह सच हो जाएगा। यह 2-बाइट वर्ण के लिए मान्य utf-8 एन्कोडिंग है जिसके बाद 1-बाइट वर्ण होता है।

इसे हल करने के लिए, हम इन चरणों का पालन करेंगे -

• सीएनटी:=0

• मैं के लिए 0 से डेटा सरणी के आकार में

  • एक्स:=डेटा [i]

  • अगर cnt 0 है, तो

    • अगर x/32 =110, तो cnt को 1 के रूप में सेट करें

    • अन्यथा जब x/16 =1110, तब cnt =2

    • अन्यथा जब x/8 =11110, तब cnt =3

    • अन्यथा जब x/128 0 है, तो झूठी वापसी करें

  • अन्यथा जब x/64 10 नहीं है, तो झूठी वापसी करें और 1 से कम करें

• सीएनटी के 0 होने पर सही लौटें

उदाहरण(C++)

आइए बेहतर समझ पाने 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