UTF-8字节序列合法性检查需严格遵循RFC 3629前缀规则，手动遍历并用状态机验证：识别起始字节类型后，检查续字节是否为0x80–0xBF；排除超长编码（如0xC0/C1）、越界起始（0xF5–0xFF）、续字节缺失及超出U+10FFFF的编码；遍历时须将char转为unsigned char避免符号扩展错误。
UTF-8字节序列合法性检查的核心逻辑
合法UTF-8不是“能解码成Unicode”，而是“字节序列本身符合RFC 3629定义的前缀规则”。C++标准库不提供现成函数，std::string只存字节，不会自动校验——你必须手动遍历、按状态机判断每个字节是否处于正确位置。
如何逐字节验证UTF-8编码（无第三方库）
关键在于识别起始字节类型（ASCII/2字节/3字节/4字节），再检查后续字节是否为0x80–0xBF范围内的续字节。常见错误是忽略“超长编码”和“代理对禁止”这两类非法情况：
-
0xC0、0xC1开头的2字节序列是非法的（它们只能编码U+0000–U+007F，但ASCII已有单字节表示） -
0xF5–0xFF开头的字节直接非法（UTF-8最多支持U+10FFFF，对应0xF4起始） - 续字节缺失或错位（如
0xE0 0x80只有两个字节，但0xE0要求跟两个续字节） - 编码超出Unicode范围（如
0xF4 0x90 0x80 0x80解码为U+110000，非法）
std::string中调用时要注意的边界问题
不能简单用for (auto c : s)，因为char可能是有符号的，导致0x80–0xFF被解释为负数，比较出错。务必把每个字节转为unsigned char再判断：
for (size_t i = 0; i < s.size(); ) {
unsigned char b = static_cast<unsigned char>(s[i]);
if (b <= 0x7F) {
i++;
} else if ((b & 0xE0) == 0xC0) {
if (i + 1 >= s.size() || (static_cast<unsigned char>(s[i+1]) & 0xC0) != 0x80)
return false;
i += 2;
}
// ... 其他分支同理
}
还要注意空字符串、嵌入<p>还要注意空字符串、嵌入<code>\0字节（std::string允许）、以及中间截断的多字节序列——这些都算非法。
std::string允许）、以及中间截断的多字节序列——这些都算非法。
C++ Code Review Master
下载
组合式C++代码评审方案，融合静态分析、AI推理、多轮迭代评审和C++专项检查，适用于PR审查、增量代码审查、全项目评审和代码质量评分，触发词包括review cpp、cpp代码评审、C++review、代码审查。
立即学习“C++免费学习笔记（深入）”；
为什么不用std::codecvt_utf8或iconv
std::codecvt_utf8在C++17已被弃用，且多数实现（如libstdc++）对非法输入行为未定义；iconv默认将非法序列转为空字符或报错，不提供细粒度校验能力。真正需要“仅检查不转换”的场景，手写状态机最可靠、最轻量、最可控。
最易被忽略的是：UTF-8合法性 ≠ 文本可读性。一个完全合法的UTF-8字符串可能包含控制字符、BOM、或无法显示的Unicode字符——校验只管字节结构，不管语义。
