C++如何判断字符串是否是合法的俄文字符（UTF-8）-C++-PHP中文网

合法俄文字符必须是符合utf-8规范的2字节序列（首字节0xc0–0xdf，次字节0x80–0xbf），且解码后码点落在u+0400–u+04ff西里尔基本块；需先校验字节合法性，再解码判断，不可跳过utf-8验证直接查码点范围。

c++如何判断字符串是否是合法的俄文字符（utf-8）

如何识别 UTF-8 编码中合法的俄文字符字节序列

直接判断一个 std::string 是否“全是合法俄文字符”，不能只查 Unicode 码点范围（如 0x0400–0x04FF），因为 UTF-8 是变长编码，必须先验证字节序列本身是否符合 UTF-8 规范，再解码出码点，最后检查是否落在西里尔字母区间。跳过字节合法性校验会把乱码或截断数据误判为“俄文”。

UTF-8 中俄文字母（基本西里尔块）全部是 2 字节序列：首字节以 110xxxxx 开头（即 0xC0–0xDF），次字节以 10xxxxxx 开头（即 0x80–0xBF）
但并非所有 2 字节组合都对应有效俄文字符——例如 0xD0 0x00 是非法序列（次字节不是 0x80–0xBF），0xD0 0x80 才是合法的 А
需逐段解析：遇到 0xC0–0xDF 就尝试读取下一个字节；若不足 2 字节、或次字节不在 0x80–0xBF 范围，立刻返回 false

用 `std::string_view` 迭代解析并校验码点

推荐用只读视图避免拷贝，配合手动字节解析——C++ 标准库不提供轻量级 UTF-8 验证接口，std::codecvt_utf8 已被弃用，不建议依赖。

C++14

C++14 对 C++11 的修正与增强版本，适合旧系统维护和较老工具链兼容。

下载

遍历 string_view，对每个字节：
- 若在 0x00–0x7F：ASCII，跳过（但俄文不含 ASCII 字母，若业务要求“纯俄文”，此处应失败）
- 若在 0xC0–0xDF：取下个字节，检查是否 0x80–0xBF；是则合并为 16 位码点：((b1 & 0x1F) ，再判断是否 ∈ <code>[0x0400, 0x04FF]
- 若在 0xE0–0xEF 或更高：俄文不用 3/4 字节序列，直接失败
- 若为 0x80–0xBF 或 0xC0–0xC1：非法起始字节，失败
注意边界：最后一个字节是 0xC0–0xDF 但无后续字节 → 失败

示例片段（关键逻辑）：

for (size_t i = 0; i = 0xC0 && b1 = sv.size()) return false;
    unsigned char b2 = sv[i + 1];
    if (b2  0xBF) return false;
    uint16_t cp = ((b1 & 0x1F)  0x04FF) return false;
    i += 2;
  } else {
    return false; // 不支持 3/4 字节，也不接受单字节非 ASCII
  }
}

为什么不用 `std::wstring_convert` 或第三方库

虽然 std::wstring_convert<:codecvt_utf8>></:codecvt_utf8> 理论上能解码，但它：

在 C++17 中已被标记为 deprecated，MSVC 和 GCC 新版本默认禁用
遇到非法 UTF-8 序列时行为不一致（有的抛异常，有的静默截断），无法精确控制错误位置
转换到 char32_t 再过滤，开销大且无法区分“无效 UTF-8”和“有效但非俄文”的情况
若项目已用 utf8cpp 或 utf8proc，可用其 utf8::is_valid() + utf8::next() 组合，但纯 C++ 实现更可控、无依赖

容易忽略的边界情况

实际字符串常混杂空格、标点、换行符，而俄文文本中这些字符本身不是西里尔字母，但属于合法 UTF-8：

' '（空格）、'.'、'\n' 是 ASCII，字节为 0x20、0x2E、0x0A —— 若需求是“仅含俄文字母”，它们必须被拒绝；若需求是“只含俄文及常见标点”，需额外白名单
软连字符 U+00AD、零宽空格 U+200B 等控制字符在 UTF-8 中合法，但不属于 0x0400–0x04FF，需按业务决定是否允许
俄语常用引号如 «»（U+00AB/U+00BB）属于拉丁-1 补充区，不是西里尔块，若严格限定“俄文字母”，它们不算
函数名如 is_cyrillic_utf8 比 is_russian 更准确——乌克兰语、保加利亚语等也用西里尔字母，码点范围重叠