Tugas

Diberikan string UTF-8 (dengan cara apa pun) jawaban (dengan cara apa pun) daftar setara di mana setiap elemen adalah jumlah byte yang digunakan untuk menyandikan karakter input yang sesuai.

Contohnya

! → 1

Ciao → 1 1 1 1

tʃaʊ → 1 2 1 2

Adám → 1 1 2 1

ĉaŭ→ 2 1 2(karakter tunggal)

ĉaŭ→ 1 2 1 1 2(menggunakan kombinasi overlay)

チャオ → 3 3 3

(input kosong) → (output kosong)

!±≡𩸽 → 1 2 3 4

(byte nol) → 1

Null byte

Jika satu-satunya cara untuk tetap membaca input di luar byte nol adalah dengan mengetahui jumlah byte total, Anda dapat memperoleh jumlah byte dengan cara apa pun (bahkan input pengguna).

Jika bahasa Anda tidak bisa menangani byte nol sama sekali, Anda dapat menganggap bahwa input tidak mengandung null.

Pyth, 9 7 byte

Terima kasih kepada @Maltysen untuk menghemat 2 byte!

mlc.Bd8

Suite uji

Mengkonversi setiap karakter dari input ke representasi binernya dan kemudian membaginya menjadi potongan-potongan dengan panjang 8. Jumlah potongan-potongan tersebut kemudian jumlah byte yang diperlukan untuk menyandikan karakter itu.

Python 3, 42 36 byte

lambda x:[len(i.encode())for i in x]

C, 68 65 byte

b;main(c){for(;~c;b=c/64^2?b?putchar(b+48)/48:1:b+1)c=getchar();}

Terima kasih kepada @FryAmTheEggman untuk bermain golf 3 byte!

Uji di Ideone .

APL, 15 karakter

≢¨'UTF-8'∘⎕ucs¨

Dalam bahasa Inggris: konversi setiap karakter ke UTF-8 (artinya: vektor representasi byte) dan dapatkan penghitungannya.

GolfScript, 16 byte

{64/2=}%1,/{,)}*

Cobalah online!

Latar Belakang

GolfScript tidak memiliki petunjuk apa itu Unicode; semua string (input, output, internal) terdiri dari byte. Meskipun itu bisa sangat menjengkelkan, itu sempurna untuk tantangan ini.

UTF-8 menyandikan karakter ASCII dan non-ASCII secara berbeda:

• Semua poin kode di bawah 128 dikodekan sebagai 0xxxxxxx.

• Semua titik kode lainnya dikodekan sebagai 11xxxxxx 10xxxxxx ... 10xxxxxx.

Ini berarti bahwa pengkodean setiap karakter Unicode berisi 0xxxxxxxbyte tunggal atau 11xxxxxxbyte tunggal dan 1 hingga 5 10xxxxxxbyte.

Dengan membagi semua byte input dengan 64 , kita berubah 0xxxxxxxmenjadi 0 atau 1 , 11xxxxxxmenjadi 3 , dan 10xxxxxxmenjadi 2 .

Jika kita membandingkan hasil bagi dengan 2 - mendorong 1 untuk 2 ; dan 0 untuk 0 , 1 , dan 3 - setiap karakter akan diubah menjadi 0 , diikuti oleh 1 hingga 5 1 's.

Yang tersisa adalah untuk membagi string yang dihasilkan pada kejadian 0 , hitung jumlah 1 di antara nol itu dan tambahkan satu ke jumlah tersebut.

Bagaimana itu bekerja

{     }%          Map the following over all bytes in the input.
 64/                Divide the byte by 64.
    2=              Compare the quotient with 2, pushing 1 or 0.
        1,        Push range(1), i.e., [0].
          /       Split the array of Booleans around zeroes.
           {  }*  Fold; for each run of ones but the first:
            ,       Push its length.
             )      Increment.

PowerShell v4, 58 byte

[char[]]$args[0]|%{[Text.Encoding]::UTF8.GetByteCount($_)}

NB

OK, ini seharusnya bekerja, dan bisa dilakukan di hampir semua test case kecuali 𩸽yang entah bagaimana dihitung seperti 3,3pada mesin saya. Karakter itu bahkan menunjukkan 7 byte di komputer saya. Saya menduga ini karena beberapa jenis bug di Windows atau versi .NET yang saya jalankan secara lokal, karena @Mego tidak memiliki masalah itu . ( Sunting: @cat menunjukkan ini karena BOM . Terima kasih telah memecahkan misteri itu, @cat! )

Namun, itu masih belum memperhitungkan semua masalah. Saya rasa saya tahu dari mana beberapa masalah itu berasal. Di dalam .NET, semua string terdiri dari unit kode UTF-16 (yang merupakan tipe System.Char). Dengan typecasting sangat longgar yang menggunakan PowerShell, ada banyak casting dan konversi implisit antara jenis di latar belakang. Kemungkinan ini adalah faktor yang berkontribusi terhadap perilaku yang kita lihat - misalnya, [system.text.encoding]::utf8.getchars([System.Text.UTF8Encoding]::UTF8.GetBytes('𩸽'))mengembalikan dua yang tidak diinginkan, daripada satu karakter.

Penjelasan

Kode yang sangat mudah. Mengambil input $args[0]dan secara eksplisit melemparkannya sebagai char-array sehingga kita dapat mengulang setiap komponen dari string |%{...}. Setiap iterasi, kami menggunakan panggilan .NET [System.Text.Encoding]::UTF8.GetByteCount()( System.tersirat) untuk mendapatkan jumlah byte karakter saat ini $_. Itu ditempatkan pada pipa untuk keluaran nanti. Karena itu adalah kumpulan dari [int]s yang dikembalikan, casting ke array adalah implisit.

Tes Berjalan

PS C:\Tools\Scripts\golfing> .\bytes-per-character.ps1 'tʃaʊ'
1
2
1
2

PS C:\Tools\Scripts\golfing> .\bytes-per-character.ps1 'Adám'
1
1
2
1

PS C:\Tools\Scripts\golfing> .\bytes-per-character.ps1 'ĉaŭ'
2
1
2

PS C:\Tools\Scripts\golfing> .\bytes-per-character.ps1 'ĉaŭ'
1
2
1
1
2

PS C:\Tools\Scripts\golfing> .\bytes-per-character.ps1 'チャオ'
3
3
3

PS C:\Tools\Scripts\golfing> .\bytes-per-character.ps1 '!±≡𩸽'
1
2
3
3
3

Diedit untuk menambahkan Ini benar-benar memperhitungkan persyaratan null-byte yang ditambahkan ke tantangan setelah saya awalnya diposting, asalkan Anda menarik data dari file teks dan pipa itu sebagai berikut:

PS C:\Tools\Scripts\golfing> gc .\z.txt -Encoding UTF8|%{.\bytes-per-character.ps1 $_}
2
1
1
1

JavaScript (ES6), 54 45 43 byte

s=>[...s].map(c=>encodeURI(c).length/3-8&7)

Sunting: Disimpan 2 byte dengan bantuan dari @ l4m2.

Ruby, 33 byte

Nyaris tidak menggunakan Python, yay! Cobalah online.

->s{s.chars.map{|c|c.bytes.size}}

Perl 6 ,  77 69  63 byte

put +$0 if $_».base(2).fmt("%8d")~~/^(1)**2..*|^(" ")/ while $_=$*IN.read: 1

put +$0 if $_».fmt("%8b")~~/^(1)**2..*|^(" ")/ while $_=$*IN.read: 1

put 1+$0 if $_».fmt("%8b")~~/^1(1)+|^" "/while $_=$*IN.read: 1

put 1+$0 if $_».fmt("%0.8b")~~/^1(1)+|^0/while $_=$*IN.read: 1

Karena Perl 6 menggunakan string NFG saya harus menarik byte secara langsung, yang menghindari fitur ini.
(NFG seperti NFC kecuali itu juga membuat codepoints sintetis)

Outputnya dipisahkan oleh baris baru.

Uji:

for text in '!' 'Ciao' 'tʃaʊ' 'Adám' 'ĉaŭ' 'ĉaŭ' 'チャオ' '' '!±≡𩸽' '𩸽\0𩸽';
do
  echo -en $text |
  perl6 -e 'put 1+$0 if $_».fmt("%8b")~~/^1(1)+|^" "/while $_=$*IN.read: 1' |

  # combine all of the lines into a single one for display purposes
  env text=$text perl6 -e 'put qq["%*ENV<text>"], "\t\t", lines.gist'
done

"!"     (1)
"tʃaʊ"      (1 2 1 2)
"Adám"      (1 1 2 1)
"ĉaŭ"       (2 1 2)
"ĉaŭ"     (1 2 1 1 2)
"チャオ"       (3 3 3)
""      ()
"!±≡𩸽"     (1 2 3 4)
"𩸽\0𩸽"        (4 1 4)

Penjelasan:

# turns the list in ｢$0｣ into a count, and adds one
# ｢put｣ prints that with a trailing newline
put 1+$0 

   # if the following is true
   if

       # format the input byte to base 2 and pad it out to 8 characters
       $_».fmt("%8b")

       ~~ # smart match against

       # check to see if it starts with more than one 1s, or a space
       # ( also sets ｢$0｣ to a list that is 1 shorter
       # than the number of bytes in this codepoint )
       / ^1 (1)+ | ^" " /

           # for every byte in STDIN
           while
               $_ = $*IN.read: 1

Ini berfungsi karena byte pertama dalam multi-byte codepoint memiliki jumlah byte yang disandikan di dalamnya, dan byte lain dalam codepoint memiliki set bit tertinggi, tetapi bukan yang tertinggi berikutnya. Sementara titik byte tunggal tidak memiliki set bit tertinggi.

Python 3, 82 byte

import math
lambda x:[ord(i)<128and 1or int((math.log2(ord(i))-1)//5+1)for i in x]

Ini jauh lebih lama daripada jawaban Python yang lain, dan sebagian besar dari jawaban lainnya, tetapi menggunakan pendekatan yang melibatkan logaritma yang belum saya lihat.

Fungsi anonim yang mengambil input, melalui argumen, sebagai string dan mengembalikan daftar.

Cobalah di Ideone

Bagaimana itu bekerja

Metode ini bergantung pada cara UTF-8 mengkodekan titik kode karakter. Jika titik kode kurang dari 128, karakter dikodekan seperti pada ASCII:

0xxxxxxx

di mana xmewakili bit dari titik kode. Namun, untuk kode-poin lebih besar dari atau sama dengan 128, byte pertama diisi dengan jumlah 1s yang sama dengan jumlah total byte, dan byte berikutnya dimulai 10. Bit-bit dari titik kode kemudian dimasukkan untuk memberikan urutan multibyte sesingkat mungkin, dan bit yang tersisa menjadi 0.

No. of bytes  Format
1             0xxxxxxx
2             110xxxxx 10xxxxxx
3             1110xxxx 10xxxxxx 10xxxxxx
4             11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
...           ...

Dan seterusnya.

Sekarang dapat diperhatikan bahwa untuk setiap jumlah byte n, batas atas untuk jumlah bit kode-titik diberikan oleh (-n+7)+6(n-1) = 5n+1. Oleh karena itu, titik kode batas atas cuntuk masing-masing ndiberikan, dalam desimal, oleh c= 2^(5n+1). Menyusun ulang ini memberin = (log2(c)-1)/5 . Jadi untuk titik kode apa pun, jumlah byte dapat ditemukan dengan mengevaluasi ekspresi di atas, dan kemudian mengambil plafon.

Namun, ini tidak berfungsi untuk titik kode dalam rentang 64 <= c <= 127, karena kurangnya padding 1karena pengkodean seperti ASCII untuk 1 byte karakter berarti bahwa batas atas yang salah diprediksi, dan log2tidak ditentukan untuk c = 0, yang terjadi jika byte nol hadir dalam input. Karena itu, jika c <= 127, nilai1 dikembalikan untuk n.

Inilah yang dilakukan oleh kode; untuk setiap karakter idalam string x, titik-kode ditemukan menggunakan ordfungsi, dan langit-langit ekspresi ditemukan dengan menggunakan integer daripada pembagian float dengan 5dan kemudian menambahkan 1. Karena tipe float Python selalu mewakili bilangan bulat sebagai x.0, bahkan setelah pembagian bilangan bulat, hasilnya dilewatkan ke intfungsi untuk menghapus trailing nol. Jika ord(i) <= 127, hubung-pendek logis berarti yang 1dikembalikan. Jumlah byte untuk setiap karakter disimpan sebagai elemen dalam daftar, dan daftar ini dikembalikan.

Java 10, 100 96 95 67 61 byte

a->{for(var c:a)System.out.print(c.getBytes("utf8").length);}

-4 byte menghapus spasi karena ini diperbolehkan dalam komentar
-1 byte berubah UTF-8menjadi utf8
-28 byte pergi dari Java 7 ke 8 ( a->{...}bukan void c(char[]i)throws Exception{...})
-3 byte mengambil input sebagai String-array bukan karakter-array, dan
-3 byte pergi dari Java 8 ke 10 ( varbukan String)

Penjelasan:

Cobalah online.

a->{                      // Method with String-array parameter and no return-type
  for(var c:a)            //  Loop over the input-array
    System.out.print(     //   Print:
      c.getBytes("utf8")  //    The bytes as array in UTF-8 of the current item,
       .length);}         //    and print the amount of bytes in this array

Julia, 34 byte

s->s>""?map(sizeof,split(s,"")):[]

Ini adalah fungsi anonim yang menerima string dan mengembalikan array integer. Untuk menyebutnya, tetapkan ke variabel.

Pendekatannya cukup mudah: Jika input kosong, output kosong. Kalau tidak, kita memetakan sizeoffungsi, yang menghitung jumlah byte dalam string, untuk setiap substring satu karakter.

Cobalah online! (termasuk semua kasus uji)

PHP, 92 57 byte

Setelah dipikir-pikir, Anda bisa melakukan ini dengan lebih mudah:

<?php for(;$a=strlen(mb_substr($argv[1],$i++,1));)echo$a;

Coba online, catat bahwa ini sedikit lebih lama karena menggunakan stdin daripada argumen program.
Versi ini mengharuskan Anda untuk mengabaikan pemberitahuan yang dikirim ke stderr tapi itu tidak masalah .

versi lama:
Menggunakan pendekatan yang agak berbeda dengan jawaban php lainnya. Bergantung pada kurangnya dukungan asli untuk string multi-byte di php.

<?php for($l=strlen($a=$argv[1]);$a=mb_substr($a,1);$l=$v)echo$l-($v=strlen($a));echo$l?:'';

Emacs Lisp, 55 49 byte

(lambda(s)(mapcar'string-bytes(mapcar'string s)))

Pertama membedah string menjadi daftar karakter dengan (mapcar 'string s) . The stringfungsi dalam Emacs Lisp mengambil daftar karakter dan membangun string dari mereka. Karena cara Emacs membagi string mapcar(yaitu ke dalam daftar bilangan bulat, bukan karakter atau string), konversi eksplisit ini diperlukan. Kemudian memetakan string-bytesfungsi ke daftar string.

Contoh:

(mapcar 'string "abc") ; => ("a" "b" "c")
(mapcar 'string-bytes '("a" "b" "c")) ; => (1 1 1) 

Testcases:

(mapcar
 (lambda(s)(mapcar'string-bytes(mapcar'string s)))
 '("!""Ciao""tʃaʊ""Adám""ĉaŭ""ĉaŭ""チャオ""""!±≡𩸽""\0"))
;; ((1) (1 1 1 1) (1 2 1 2) (1 1 2 1) (2 1 2) (1 2 1 1 2) (3 3 3) nil (1 2 3 4) (1))

Jawaban lama:

(lambda(s)(mapcar(lambda(s)(string-bytes(string s)))s))

Tidak Terkumpul:

 (lambda (s)
   (mapcar
    ;; we can't use string-bytes directly,
    ;; since Emacs mapcar yields a list of ints instead of characters
    ;; therefore we need a wrapper function here. 
    (lambda (s)
      (string-bytes (string s)))
    s))

Testcases:

(mapcar
 (lambda(s)(mapcar(lambda(s)(string-bytes(string s)))s))
 '("!""Ciao""tʃaʊ""Adám""ĉaŭ""ĉaŭ""チャオ""""!±≡𩸽""\0"))
;; ((1) (1 1 1 1) (1 2 1 2) (1 1 2 1) (2 1 2) (1 2 1 1 2) (3 3 3) nil (1 2 3 4) (1))

JavaScript (Node), 27 byte

s=>s.map(Buffer.byteLength)

Ini mengambil input sebagai array karakter individual, dan mengembalikan array jumlah byte.

Bufferadalah metode yang mewakili data biner mentah. Buffer.byteLength (string) memberikan jumlah byte dalam string. UTF-8 adalah penyandian default. Perhatikan bahwa hanya Node.js yang memiliki buffer, bukan browser JS. Setara browser kasar disebut Blob , yang datang pada 31 byte:

s=>s.map(e=>new Blob([e]).size)

Uji

Simpan file ini dan jalankan melalui node, atau coba online .

var f =
  s=>s.map(Buffer.byteLength)

var tests = [
  ["!"],
  ["C","i","a","o"],
  ["t","ʃ","a","ʊ"],
  ["A","d","á","m"],
  ["ĉ","a","ŭ"],
  ["c","̂","a","u","̆"],
  ["チ","ャ","オ"],
  [],
  ["!","±","≡","𩸽"]
];

tests.forEach(test => {
  console.log(test, f(test));
});

Ini seharusnya hasilnya:

$ node bytes.js
[ '!' ] [ 1 ]
[ 'C', 'i', 'a', 'o' ] [ 1, 1, 1, 1 ]
[ 't', 'ʃ', 'a', 'ʊ' ] [ 1, 2, 1, 2 ]
[ 'A', 'd', 'á', 'm' ] [ 1, 1, 2, 1 ]
[ 'ĉ', 'a', 'ŭ' ] [ 2, 1, 2 ]
[ 'c', '̂', 'a', 'u', '̆' ] [ 1, 2, 1, 1, 2 ]
[ 'チ', 'ャ', 'オ' ] [ 3, 3, 3 ]
[] []
[ '!', '±', '≡', '�' ] [ 1, 2, 3, 4 ]

Bash, 74 byte

Golf

xxd -p|fold -2|cut -c1|tr -d '89ab'|echo `tr -t '01234567cbef' '[1*]2234'`

Algoritma

string input hexdump, lipat 2 karakter per baris, potong karakter pertama saja

echo -ne '!±≡𩸽' | xxd -p|fold -2|cut -c1

2
c
b
e
8
a
f
a
b
b

(4 bit orde tinggi dari setiap byte input sebagai hex hex, satu per baris)

Hapus "lanjutan byte" 0x80..0xBF

tr -d '89ab'

2
c

e


f

(apa yang tersisa, adalah 4 bit byte pertama dari setiap karakter unicode)

memetakan bit pertama ke dalam panjang char, menciutkan output dan mencetak

echo `tr -t '01234567cbef' '[1*]2234'`

1 2 3 4

Uji

 U() { xxd -p|fold -2|cut -c1|tr -d '89ab'|echo `tr -t '01234567cbef' '[1*]2234'`;}

 echo -ne '!' | U 
 1

 echo -ne 'Ciao' | U
 1 1 1 1

 echo -ne 'tʃaʊ' | U
 1 2 1 2

 echo -ne 'Adám' | U
 1 1 2 1

 echo -ne 'ĉaŭ' | U
 2 1 2

 echo -ne 'ĉaŭ' | U
 1 2 1 1 2

 echo -ne 'チャオ' | U
 3 3 3
 echo -ne '!±≡𩸽' | U
 1 2 3 4

 echo -ne "\x0" | U
 1

 echo -ne '' | U

PHP, 126 byte

<?php $s=fgets(STDIN);echo $s!=''?implode(' ',array_map(function($x){return strlen($x);},preg_split('/(?<!^)(?!$)/u',$s))):'';

Cobalah online!

C #, 89 82 byte

I=>{var J="";foreach(char c in I){J+=Encoding.UTF8.GetByteCount(c+"");}return J;};

C # lambda sederhana yang beriterasi melalui string dan mengembalikan daftar spasi yang dipisahkan.

Sunting: disimpan 6 byte berkat beberapa komentar yang sangat bagus.

Haskell, 85 byte

import Data.ByteString as B
import Data.ByteString.UTF8
(B.length.fromString.pure<$>)

Pyth, 17 byte

mhxS+11+16,7lCdlC

Cobalah online!

Gunakan titik kode karakter dengan beberapa aritmatika.

C, 85 byte.

l(unsigned char* c){while(*c){int d=(*c>>4)-11;
d=d<0?1:d+(d==1);putchar(48+d);c+=d;}}

Memeriksa tinggi 4 bit setiap byte untuk menentukan encoding dan jumlah byte berikutnya untuk dilewati;

Factor, 57 87 82 80 byte

[ [ dup zero? [ drop "1"] [ >bin length 4 /i 10 >base ] if ] { } map-as ""join ]

Dijelaskan:

USING: kernel math math.parser sequences ;
IN: byte-counts

: string>byte-counts ( str -- counts )
  [                  ! new quotation: takes a char as a fixnum
    dup zero?        ! true if this is a NUL byte
    [ drop "1" ]     ! NUL bytes have length 1
    [ >bin           ! else, convert to binary string
      length         ! length of binary string
      4              ! the constant 4
      /i             ! integer division
      number>string  ! 4 -> "4"
    ] if             ! conditionally execute one of the previous quotations
  ]                  ! end
  { } map-as         ! map and clone-like an { } array
  "" join ;          ! join array of 1strings on empty string

Tes unit:

USING: tools.test byte-counts ;
IN: byte-counts.tests

{ "1" } [ "!" string>byte-counts ] unit-test
{ "1111" } [ "Ciao" string>byte-counts ] unit-test
{ "1212"} [ "tʃaʊ" string>byte-counts ] unit-test
{ "1121" } [ "Adám" string>byte-counts ] unit-test
{ "212" } [ "ĉaŭ" string>byte-counts ] unit-test
{ "12112" } [ "ĉaŭ" string>byte-counts ] unit-test
{ "333" } [ "チャオ" string>byte-counts ] unit-test
{ "" } [ "" string>byte-counts ] unit-test
{ "1234" } [ "!±≡𩸽" string>byte-counts ] unit-test
{ "1" } [ "\0" string>byte-counts ] unit-test

Mereka semua lewat, sekarang. c:

Swift 2.2, 67 52 50 byte

for c in i.characters{print(String(c).utf8.count)}

Sangat jelek. Tidak ada cara untuk mendapatkan panjang UTF-8 dari Karakter di Swift, jadi saya perlu beralih melalui string dengan karakter, konversiCharacter ke String, dan menemukancount karakter tunggal ituString (hei, setidaknya ada built-in metode untuk melakukan itu). Mencari optimasi, mungkin menggunakan pemindai.

Revisi 1: Disimpan 15 byte dengan menggunakan count alih-alihunderestimateCount() .

Revisi 2: Menyimpan 2 karakter lainnya dengan menggunakan for-in loop alih-alih untuk setiap penutupan.

Rust, 53 byte

|s:&str|for c in s.chars(){print!("{}",c.len_utf8())}

Rust memiliki primitif utf-8 char, iterators, dan lambdas, jadi ini mudah. Kode uji:

fn main() {
    let s = "Löwe 老虎 Léopard💖💖💖💖";
    let f =|s:&str|for c in s.chars(){print!("{}",c.len_utf8())};
    f(s);
}

Keluaran

1211133112111114444 

jq, 26 karakter

(23 karakter kode + 3 opsi opsi baris perintah)

(./"")[]|utf8bytelength

Semoga bersaing. Meskipun utf8bytelengthtelah ditambahkan 9 ++ bulan sebelum pertanyaan ini, masih belum termasuk dalam versi yang dirilis.

Contoh dijalankan:

bash-4.3$ ./jq -R '(./"")[]|utf8bytelength' <<< 'tʃaʊ'
1
2
1
2

bash-4.3$ ./jq -R '(./"")[]|utf8bytelength' <<< 'ĉaŭ '
1
2
1
1
2
1

bash-4.3$ ./jq -R '(./"")[]|utf8bytelength' <<< 'チャオ'
3
3
3

bash-4.3$ ./jq -R '(./"")[]|utf8bytelength' <<< ''

bash-4.3$ ./jq -R '(./"")[]|utf8bytelength' <<< '!±≡𩸽'
1
2
3
4

C (gcc) , 53 byte

k=49;f(char*s){*++s/64-2?k=puts(&k)+47:++k;*s&&f(s);}

Cobalah online!

SmileBASIC, 69 byte

DEF C B
WHILE I<LEN(B)Q=INSTR(BIN$(B[I],8),"0")I=I+Q+!Q?Q+!Q
WEND
END

Input adalah array byte.

Jumlah byte dalam karakter UTF-8 sama dengan jumlah 1bit terkemuka di byte pertama (kecuali tidak ada 1s, dalam hal ini karakternya adalah 1 byte). Untuk menemukan jumlah 1s terkemuka, program menemukan yang pertama 0dalam representasi biner, lalu menambahkan 1 jika ini adalah 0.

0xxxxxxx - no leading ones, 1 byte
110xxxxx 10xxxxxx - 2 leading ones, 2 bytes
1110xxxx 10xxxxxx 10xxxxxx - 3 leading ones, 3 bytes
etc.

F #, 59 54 66 byte

(s)=seq{for c in s->System.Text.Encoding.UTF8.GetByteCount([|c|])}

Secara teknis, s adalah urutan char, tetapi ternyata ada konversi implisit yang memungkinkan string diteruskan.

Saat menguji ini di konsol dengan !±≡𩸽, itu membagi kanji menjadi dua karakter, masing-masing panjangnya 3 byte. Semua test case lainnya bekerja dengan baik.

Sunting: Ternyata impor namespace umum tidak tersirat. Naik 12 karakter lagi.

05AB1E , 15 byte

ÇεDžy‹i1ë.²<5÷>

Cobalah online.
Headerεdigunakan untuk masing-masing atas semua kasus uji;
Footerï]J]»untuk mencetak daftar karakter keluaran dengan cantik (ï: desimal dan karakter ke integer;:]tutup jika-yang lain dan untuk masing-masingJ;: Gabungkan digit bersama-sama};: tutup tajuk depan;;»Gabung dengan baris baru).

Penjelasan:

Ç                   # Convert each character to its unicode value
 εD                 # Foreach over this list
      i             #  If the current item
     ‹              #  is smaller than
   žy               #  128
       1            #   Use 1
        ë           #  Else
         .²         #   Use log_2
           <        #   minus 1
            5÷      #   integer-divided by 5
              >     #   plus 1

Karena 05AB1E tidak memiliki builtin untuk mengonversi karakter ke jumlah byte yang digunakan, saya gunakan Çuntuk mengonversi karakter ke nilai unicode mereka, dan di-masing-masing melakukan hal berikut dalam pseudo-code:

if(unicodeValue < 128)
  return 1
else
  return log_2(unicodeValue-1)//5+1    # (where // is integer-division)

Terinspirasi oleh @TheBikingViking 's Python 3 jawaban .

Zsh , 41 byte

for c (${(s::)1})set +o multibyte&&<<<$#c

Cobalah online!

Zsh sadar akan UTF-8, jadi kami membagi string pada karakter, lalu menonaktifkan multibyte dan mencetak panjang setiap karakter.