C++如何过滤字符串中的非法字符-C++-PHP中文网

std::remove_if + std::isprint 是过滤不可见字符的常用方案，需将 char 强制转为 unsigned char 防止未定义行为；它仅按字节判断，不支持 utf-8 语义，中文等会被误删，多字节字符可能被截断乱码。

c++如何过滤字符串中的非法字符

用 `std::remove_if` + `std::isprint` 快速过滤不可见字符

多数场景下所谓“非法字符”其实是指控制字符、空字符或非打印字符（如 \0、\t、\r、\n、\b 等）。直接保留可打印 ASCII 字符是最常见且安全的起点。

注意：std::isprint 对 char 有符号性敏感——若平台 char 默认为 signed，传入负值会触发未定义行为。必须先转成 unsigned char。

std::string filter_printable(const std::string& s) {
    std::string result = s;
    result.erase(
        std::remove_if(result.begin(), result.end(), [](unsigned char c) {
            return !std::isprint(c);
        }),
        result.end()
    );
    return result;
}

仅过滤掉 !std::isprint(c) 的字节，不改动其他编码逻辑（比如 UTF-8 多字节序列仍被原样保留）
不推荐对 UTF-8 字符串用 std::isprint 判定语义合法性，它只按单字节判断；中文、日文等会全部被删掉
若需保留空白但剔除控制符，改用 !std::isgraph(c) && !std::isspace(c)

按白名单过滤：明确指定允许的字符范围

当业务要求严格（比如仅允许字母、数字、下划线、连字符），白名单比黑名单更可靠，避免遗漏新型控制字符或 Unicode 异常码点。

用 std::all_of 或 std::remove_if 配合 lambda 判断最直观：

C函数速查手册（CHM版）

下载

std::string filter_alnum_underscore(const std::string& s) {
    auto is_allowed = [](unsigned char c) {
        return std::isalnum(c) || c == '_' || c == '-';
    };
    std::string result = s;
    result.erase(
        std::remove_if(result.begin(), result.end(), 
            [is_allowed](unsigned char c) { return !is_allowed(c); }),
        result.end()
    );
    return result;
}

std::isalnum 同样要传 unsigned char，否则遇到高位字节可能崩溃
正则（std::regex_replace）在简单过滤中是过度设计：编译慢、运行慢、异常多，且 C++17 前标准库 regex 实现质量参差
若字符串极长（>1MB）且性能敏感，考虑手写循环 + reserve 避免多次内存重分配

处理 UTF-8 字符串时不能逐字节过滤

UTF-8 是变长编码，一个汉字占 3 字节。用 std::remove_if 按字节删，大概率把多字节字符切开，产生乱码甚至非法序列。

真正安全的做法是：先按 UTF-8 编码规则解析出完整码点（code point），再判断该码点是否合法。可用 std::mbrtoc32 或轻量库如 utf8cpp。

// 简化示意：跳过 BOM 和 ASCII，对非 ASCII 按 UTF-8 解码后检查
#include <utf8.h>
std::string filter_utf8_safe(const std::string& s) {
    std::string result;
    utf8::replace_invalid(s.begin(), s.end(), std::back_inserter(result));
    // 再对 result 中每个 code point 做白名单检查（需 utf8::next）
    return result;
}</utf8.h>

不要自己写 UTF-8 解析器——边界条件太多（如超长编码、代理对、禁止码点 U+FFFE）
utf8cpp 是 header-only，无依赖，utf8::is_valid 和 utf8::next 足够应对大多数过滤需求
如果输入根本不是 UTF-8（比如 GBK 混入），所有基于 UTF-8 的过滤都会失效——得先确认编码来源

Windows 控制台输出时的特殊非法字符

向 Windows 控制台（CONOUT$）写入某些控制序列（如 ANSI ESC 序列）会被静默截断或报错 0x00000057（ERROR_INVALID_PARAMETER），尤其在旧版 cmd 或未启用虚拟终端的环境下。

这不是字符串内容非法，而是输出通道限制。解决方式不是过滤字符串，而是切换输出模式：

// 启用 Windows 10+ ANSI 支持
#include <windows.h>
SetConsoleOutputCP(CP_UTF8);
HANDLE hOut = GetStdHandle(STD_OUTPUT_HANDLE);
DWORD mode;
GetConsoleMode(hOut, &mode);
SetConsoleMode(hOut, mode | ENABLE_VIRTUAL_TERMINAL_PROCESSING);</windows.h>