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。
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。
- 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
- 若在
- 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 < sv.size(); ) { unsigned char b1 = sv[i]; if (b1 <= 0x7F) { /* ASCII */ return false; } if (b1 >= 0xC0 && b1 <= 0xDF) { if (i + 1 >= sv.size()) return false; unsigned char b2 = sv[i + 1]; if (b2 < 0x80 || b2 > 0xBF) return false; uint16_t cp = ((b1 & 0x1F) << 6) | (b2 & 0x3F); if (cp < 0x0400 || cp > 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<std::codecvt_utf8<char32_t>> 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
真正难的不是解析 UTF-8，而是定义清楚“合法俄文字符”具体指什么：是仅基本西里尔块？是否包含扩展 A/B？是否允许标点？这些业务语义必须在代码注释里写明，否则维护时极易误解。
立即学习“C++免费学习笔记（深入）”；
