不能直接用substr，因为std::string::substr按字节截取，而UTF-8中英文字符字节数不同（英文1字节、中文3字节），易切断多字节字符导致乱码或异常。
中英文混排截取为什么不能直接用 substr
因为 std::string::substr 按字节切，而中文 UTF-8 编码占 3 字节，英文 ASCII 占 1 字节。比如字符串 "Hello你好" 长度是 8 字节，但实际只有 5 个字符（5 个 Unicode 码点）。直接 s.substr(0, 5) 可能截断中文，产生乱码或 std::out_of_range。
用 std::u32string + std::mbstou32 转换后截取
这是最稳妥的 C++ 标准库方案：先把 UTF-8 字符串转成定长的 char32_t 序列，再按码点数截取，最后转回 UTF-8。
-
std::mbstou32将 UTF-8std::string转为std::u32string（每个元素对应一个 Unicode 码点） - 对
std::u32string调用.substr(0, n)，n是目标字符数（非字节数） - 用
std::to_bytes（C++20）或手动调用std::c32rtomb转回 UTF-8std::string - 注意：输入必须是合法 UTF-8，否则
std::mbstou32返回 -1 或抛异常
示例（C++20）：
#include <string>
#include <locale>
#include <codecvt>
std::string utf8_truncate(const std::string& s, size_t char_count) {
std::u32string u32 = std::wstring_convert<std::codecvt_utf8<char32_t>, char32_t>{}.from_bytes(s);
if (u32.length() <= char_count) return s;
std::u32string truncated = u32.substr(0, char_count);
return std::wstring_convert<std::codecvt_utf8<char32_t>, char32_t>{}.to_bytes(truncated);
}
更轻量：手写 UTF-8 字节偏移解析（无依赖、C++11 可用）
如果不想引入 std::codecvt（已弃用）或 C++20，可自己遍历 UTF-8 字节流，统计码点数并记录每个码点起始位置。
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）”；
- UTF-8 单字节字符：以
0xxxxxxx开头（ASCII） - 多字节字符：首字节以
110xxxxx/1110xxxx/11110xxx开头，后续字节均以10xxxxxx开头 - 用
unsigned char读原字符串，跳过后续字节，每遇到一个首字节就计 1 个字符 - 截取时，只切到第
n个字符的起始字节位置，不破坏任何 UTF-8 序列
关键逻辑片段：
size_t utf8_char_length(const std::string& s, size_t max_chars) {
size_t pos = 0, chars = 0;
while (pos < s.size() && chars < max_chars) {
unsigned char c = s[pos];
if ((c & 0x80) == 0) pos += 1; // ASCII
else if ((c & 0xE0) == 0xC0) pos += 2; // 2-byte
else if ((c & 0xF0) == 0xE0) pos += 3; // 3-byte
else if ((c & 0xF8) == 0xF0) pos += 4; // 4-byte
else pos += 1; // invalid, treat as 1 byte
++chars;
}
return pos;
}
std::string utf8_truncate_simple(const std::string& s, size_t max_chars) {
return s.substr(0, utf8_char_length(s, max_chars));
}
容易被忽略的边界情况
真正上线前必须检查这几点：
- 输入为空或含非法 UTF-8 字节序列（如
\xFF\xFE），要决定是截断、跳过，还是报错 - Emoji 可能占多个码点（如带肤色修饰符的 ??），但用户通常希望按“视觉字形”算 1 个，此时需用 Unicode 图形簇（grapheme cluster）算法，标准库不支持，得用 ICU 或
utf8proc -
std::codecvt_utf8在 C++17 已标记为 deprecated，C++20 移除；新项目优先用 C++20std::text_encoding（尚未广泛实现）或第三方库 - 性能敏感场景下，反复转换开销大，建议缓存转换结果或预计算字符偏移表
混排截取不是简单长度运算，核心是明确「你定义的『一个字符』到底指什么」——码点？图形簇？还是传统 GBK 下的双字节？选错抽象层，后面全是坑。
