正确答案是：不能简单用static_cast<unsigned char>(c) > 127判断中文等双字节字符，而应按UTF-8编码规则解析首字节（如0xE0–0xEF）并验证后续字节模式，或使用utf8cpp等成熟库安全迭代码点。
如何判断一个字符是双字节（如中文）而非 ASCII 字符
在 C++ 中，std::string 本质是 char 序列，而 UTF-8 编码下，ASCII 字符（U+0000–U+007F）占 1 字节，中文等常用汉字通常占 3 字节（如 中 是 \xe4\xb8\xad），部分扩展区字符甚至占 4 字节。不能简单用 static_cast<unsigned char>(c) > 127</unsigned> 判断——这只能识别单字节范围外的值，但会把 UTF-8 多字节序列中的中间字节（如 \xb8、\xad）误判为“双字节字符”，导致删错或崩溃。
正确做法是：按 UTF-8 编码规则解析字节流，识别出完整码点。C++20 前无标准 UTF-8 解码 API，需手动验证首字节：
- 首字节
0xxxxxxx→ ASCII，1 字节 - 首字节
110xxxxx→ 后跟 1 个10xxxxxx字节，共 2 字节 - 首字节
1110xxxx→ 后跟 2 个10xxxxxx字节，共 3 字节 - 首字节
11110xxx→ 后跟 3 个10xxxxxx字节，共 4 字节 - 其他值（如
10xxxxxx或11111xxx）为非法 UTF-8，可视为损坏或非 UTF-8 数据
用 std::string 遍历 UTF-8 字符并过滤
不能用 for (char c : s) 或 s[i] 按字节索引直接取“字符”，必须按码点边界移动索引。以下是一个安全跳过 UTF-8 多字节序列的过滤函数：
std::string remove_multibyte_chars(const std::string& s) {
std::string result;
result.reserve(s.size()); // 预分配避免频繁 realloc
size_t i = 0;
while (i < s.size()) {
unsigned char b0 = s[i];
// ASCII: 0xxxxxxx
if ((b0 & 0x80) == 0) {
result += s[i++];
}
// 2-byte: 110xxxxx → skip entire sequence
else if ((b0 & 0xE0) == 0xC0 && i + 1 < s.size() &&
(static_cast<unsigned char>(s[i + 1]) & 0xC0) == 0x80) {
i += 2;
}
// 3-byte: 1110xxxx → skip
else if ((b0 & 0xF0) == 0xE0 && i + 2 < s.size() &&
(static_cast<unsigned char>(s[i + 1]) & 0xC0) == 0x80 &&
(static_cast<unsigned char>(s[i + 2]) & 0xC0) == 0x80) {
i += 3;
}
// 4-byte: 11110xxx → skip
else if ((b0 & 0xF8) == 0xF0 && i + 3 < s.size() &&
(static_cast<unsigned char>(s[i + 1]) & 0xC0) == 0x80 &&
(static_cast<unsigned char>(s[i + 2]) & 0xC0) == 0x80 &&
(static_cast<unsigned char>(s[i + 3]) & 0xC0) == 0x80) {
i += 4;
}
// 非法 UTF-8 字节（如孤立 0x80–0xBF，或超长序列），保守处理：跳过单字节
else {
i++;
}
}
return result;
}
该函数只保留 ASCII 码点（U+0000–U+007F），其余所有多字节 UTF-8 序列均被跳过。注意它不校验码点语义（比如不区分中文、日文、emoji），只要不是单字节就剔除。
立即学习“C++免费学习笔记（深入）”；
如果输入不是 UTF-8，而是 GBK/Shift-JIS 等编码怎么办
上述逻辑**仅适用于 UTF-8 编码字符串**。若原始字符串是 GBK（如 Windows 简体中文系统默认），一个中文字符占 2 字节，且首字节范围是 0x81–0xFE，次字节是 0x40–0xFE（排除 0x7F）。此时用 UTF-8 规则解析会完全错误：可能把 GBK 的“双字节中文”拆成两个非法字节，或误吞 ASCII 字符。
解决方法只有两个：
- 确保输入是 UTF-8 —— 这是最推荐的做法，统一编码能避免绝大多数问题
- 若必须处理 GBK，需改写判断逻辑：
if (b0 >= 0x81 && b0 = 0x40 && s[i + 1] != 0x7F)，然后跳过 2 字节；但要注意 GBK 中也存在单字节 ASCII 和一些兼容区字节，不能只靠首字节高位判断
没有通用“去掉双字节字符”的银弹 —— 编码决定字节含义，脱离编码谈“双字节”没有意义。
为什么 std::wstring 或 C++20 std::u8string 并不简化这个问题
有人想用 std::wstring 存宽字符再遍历，但这是陷阱：wchar_t 在 Windows 是 UTF-16（2 或 4 字节），Linux/macOS 通常是 UTF-32（固定 4 字节），且 std::string 到 std::wstring 的转换需要明确指定编码（如 std::wstring_convert 已弃用），极易出错。C++20 引入 std::u8string，但它只是 std::basic_string<char8_t> 的别名，底层仍是字节序列，不提供自动解码能力。
真正省事的方式是依赖成熟库：
- 用
utf8cpp（轻量头文件库）：调用utf8::is_valid(s.begin(), s.end())和utf8::next()安全迭代 - 用 ICU 或 Boost.Locale 做健壮编码转换与过滤
- 若项目已用 Qt，
QString::toUtf8()+QRegularExpression更直观
自己手写 UTF-8 解析容易漏掉边界情况（如超长编码、代理对、禁止码点），生产环境建议优先用测试过的库。
