直接用substr截UTF-8字符串会出错，因为substr按字节截取而UTF-8是变长编码，中文、emoji等多字节字符被截断中间字节会导致乱码；需按Unicode字符边界安全截取。
为什么直接用 substr 截 UTF-8 字符串会出错
因为 substr 按字节截取，而 UTF-8 是变长编码：ASCII 字符占 1 字节，中文通常占 3 字节，emoji 可能占 4 字节。直接截断中间字节会导致乱码（如显示 ）或解析失败。
典型错误现象："你好世界".substr(0, 4) 可能返回 "你" —— 因为前两个汉字共 6 字节，截 4 字节刚好卡在第二个汉字的中间。
- UTF-8 单个字符的字节长度由首字节高位模式决定：
0xxxxxxx（1 字节）、110xxxxx（2 字节）、1110xxxx（3 字节）、11110xxx（4 字节） -
std::string::size()返回的是字节数，不是字符数 - 没有标准库函数能直接按“Unicode 字符”截取
std::string
手动识别 UTF-8 起始字节实现安全截取
核心思路：从字符串开头逐字节扫描，跳过续字节（10xxxxxx），只把起始字节当作一个字符起点；累计到目标字符数后，用该位置作为 substr 的截止点。
示例逻辑（C++17）：
立即学习“C++免费学习笔记（深入）”；
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。
size_t utf8_truncate(const std::string& s, size_t max_chars) {
size_t pos = 0;
size_t chars = 0;
while (pos < s.size() && chars < max_chars) {
unsigned char c = s[pos];
if ((c & 0b10000000) == 0) { // 1-byte: 0xxxxxxx
pos += 1;
} else if ((c & 0b11100000) == 0b11000000) { // 2-byte
pos += 2;
} else if ((c & 0b11110000) == 0b11100000) { // 3-byte
pos += 3;
} else if ((c & 0b11111000) == 0b11110000) { // 4-byte
pos += 4;
} else { // invalid or continuation byte → treat as 1 byte (fallback)
pos += 1;
}
++chars;
}
return pos; // 字节偏移，可传给 substr
}
- 返回的是字节位置，不是字符数，直接用于
s.substr(0, utf8_truncate(s, 5)) - 对非法 UTF-8 字节（如单独出现
10xxxxxx）做容错：当字节不匹配任何起始模式时，按 1 字节前进 - 性能尚可，O(n) 单次遍历；若频繁截取，建议缓存字符边界索引
使用 ICU 或 utf8cpp 库的更健壮方案
手写逻辑容易漏掉边界情况（如超长编码、代理对、BOM 处理）。生产环境推荐成熟库：
-
utf8cpp（header-only）：utf8::distance(s.begin(), s.end())得字符总数；utf8::next(s.begin(), s.end())迭代每个字符起始位置 - ICU（重量级但完整）：
icu::UnicodeString::moveFrom()+char32_t转换，支持 Unicode 标准化和图形簇（grapheme cluster）截取 - 注意：
std::wstring_convert已被 C++17 弃用，不要用
轻量场景推荐 utf8cpp，只需引入 utf8.h，示例：
#include <utf8.h>
std::string safe_substring(const std::string& s, size_t max_chars) {
auto begin = s.begin();
auto end = s.begin();
for (size_t i = 0; i < max_chars && end != s.end(); ++i) {
end = utf8::next(end, s.end());
}
return std::string(begin, end);
}
截取后要不要加省略号？注意字节 vs 字符长度
加 "…" 时，必须把它当作 UTF-8 字符处理：3 字节，不能简单拼接导致总长度超标。
- 错误做法：
s.substr(0, max_bytes) + "..."——"..."是 ASCII，但若原截取已满字节上限，拼接后可能超限 - 正确做法：先预留 3 字节空间给省略号，再截取，最后拼接：
safe_substring(s, max_chars - 1) + "…" - 如果
max_chars == 0，直接返回空串；如果max_chars == 1，省略号本身占 1 字符，就不能再截原文了
最易被忽略的是：同一个视觉字符（如带变音符号的 é）可能由多个 Unicode 码点组成，严格按“用户感知字符”截取需 grapheme cluster 分析——这已超出纯 UTF-8 字节解析范畴，得靠 ICU。
