ReverseString для кодировки UTF-8

[Python]

Во время чтения очередной статьи про собеседования на программиста, столкнулся с такой простой на первый взгляд задачей: претенденту предложили написать функцию, которая "переворачивает" строку. Аналог ReverseString, но свой. Ответ, который дал претендент, не устроил собеседователя. Оказалось, что он ждал уточняющего вопроса: в какой кодировке, дескать, задана строка, а ответ должен был быть принят для кодировки UTF-8. С задачей претендент, похоже, не справился, а я решил написать свой вариант, поскольку на первой странице гугля такового не обнаружилось. Предлагаю на суд общественности:

Код: Выделить всё

// переворачивает строку, записанную в UTF-8 в обратном направлении 
function ReverseStringUtf8(const S:string):string;
var
  PrimeChar,LastChar:integer;
  B:byte;
begin
  PrimeChar:=1;
  LastChar:=Length(S);
  SetLength(Result,LastChar);
  while LastChar>0 do begin
    B:=ord(S[PrimeChar]);
    if B and $F7=$F0 then begin
      // четырёхбайтный символ
      Result[LastChar-3]:=S[PrimeChar+0];
      Result[LastChar-2]:=S[PrimeChar+1];
      Result[LastChar-1]:=S[PrimeChar+2];
      Result[LastChar-0]:=S[PrimeChar+3];
      Inc(PrimeChar,4);
      Dec(LastChar,4);
    end else if B and $F0=$E0 then begin
      // трёхбайтовый символ
      Result[LastChar-2]:=S[PrimeChar+0];
      Result[LastChar-1]:=S[PrimeChar+1];
      Result[LastChar-0]:=S[PrimeChar+2];
      Inc(PrimeChar,3);
      Dec(LastChar,3);
    end else if B and $E0=$C0 then begin
      // двухбайтовый символ
      Result[LastChar-1]:=S[PrimeChar+0];
      Result[LastChar-0]:=S[PrimeChar+1];
      Inc(PrimeChar,2);
      Dec(LastChar,2);
    end else begin
      // однобайтный символ
      Result[LastChar]:=S[PrimeChar];
      Inc(PrimeChar);
      Dec(LastChar);
    end;
  end;
end;

[SSerge]

Что-то очень сомневаюсь, что работодатель ожидает от претендента знаний таблицы префиксов utf8 на память.
И очень сомневаюсь, что ему понравится решение, как бы намекающее на готовность претендента постоянно писать нечитаемый код, основанный на внутренних структурах организации данных. Если, конечно, это не набор на крайне узкую задачу.

[Vapaamies]

Что-то очень сомневаюсь, что работодатель ожидает от претендента знаний таблицы префиксов utf8 на память.

На самом деле там нечего запоминать, если помнить принцип. Но в целом согласен, задание весьма спорное.

[Mirage]

B:=ord(S[PrimeChar]);

Это выражение возьмет 2 байта по указанному индексу и обрежет до одного. Это точно то, что планировалось?
Какой набор данных используется для тестирования данной функции? Есть ли там строки с 3-х и 4-х байтными символами, а также суррогатными парами?

[SSerge]

Это выражение возьмет 2 байта по указанному индексу и обрежет до одного.

"В военное время значение ПИ может достигать четырех и даже пяти" (С)
Если это выражение возьмет два байта (а верно это в случае модели равенства String=UnicodeString, что верно только для дельфи), то весь алгоритм вообще рассыплется. Хотя бы из-за того, что в функцию будет передан не utf8, а utf16.

[vada]

Было время искал работу. Ходил по собеседованиям. Даже разочек занимался подобной гуйней. Задачки у собеседователя были ну просто пепец! Хак на хаке! Я у него спросил, типа, вы все свои программы разрабатываете с подобными хаками? Он гордо ответил что все задачки взяты из реализаций их сотрудников. Я даже не стал пробовать что-то ему написать. Просто ушел. И впредь до собеседования спрашивал будет ли написание тестов. На собеседования с тестами больше не ходил. Чего зря время тратить.

[bormant]

Раз уж ожидается корректная utf8-строка, проще опереться не на префиксы, а на признак символа-продолжения Byte(s[i]) and $C0=$80.
Получится что-то вроде:

Код: Выделить всё

function RevStrUtf8(const s: String): String;
var i, j: Integer;
begin
  Result:=''; j:=Length(s)+1;
  for i:=Length(s) downto 1 do
    if Byte(s[i]) and $C0<>$80 then begin
      Result:=Result+Copy(s,i,j-i); j:=i;
    end;
end;

Можно вместо Result+Copy() добавить SetLength() и Move(), если есть желание.

[runewalsh]

Все забыли про комбинируемые символы.
Например, ударе́ние записывается двумя кодовыми точками: <символ> <U+0301>.
В перевёрнутом виде они должны остаться единым целым. (Так ведёт себя встроенная функция Utf8CodePointLen с параметром IncludeCombiningDiacriticalMarks = true).

В идеале ещё можно вспомнить про RtL- и LtR-метки, а может, и что-то другое.
Короче говоря, не так просто всё это...

[bormant]

Кстати, если правильно путаю, диакритика в плоскости BMP (\u3000-\u3fff), а в utf8 они кодируются 2-байтовыми вариантами с первым байтом $C0, это более-менее легко учесть...