Un carácter en UTF8 puede tener de 1 a 4 bytes de longitud, sujeto a las siguientes reglas:
Para el carácter de 1 byte, el primer bit es un 0, seguido de su código Unicode.
Para el carácter de n bytes, los primeros n bits son todos uno, el bit n + 1 es 0, seguido de n-1 bytes, siendo los 2 bits más significativos 10.
Así es como funcionaría la codificación UTF-8:
Char. number range | UTF-8 octet sequence (hexadecimal) | (binary) --------------------+--------------------------------------------- 0000 0000-0000 007F | 0xxxxxxx 0000 0080-0000 07FF | 110xxxxx 10xxxxxx 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
Dada una matriz de números enteros que representan los datos, devuelve si se trata de una codificación utf-8 válida.
Solución Java
public boolean validUtf8(int[] data) { int i=0; int count=0; while(i<data.length){ int v = data[i]; if(count==0){ if((v&240)==240 && (v&248)==240){ count=3; }else if(((v&224)==224) && (v&240)==224){ count=2; }else if((v&192)==192 && (v&224)==192){ count=1; }else if((v|127)==127){ count=0; }else{ return false; } }else{ if((v&128)==128 && (v&192)==128){ count--; }else{ return false; } } i++; } return count==0; } |