UTF-8字符串解析器内存泄漏与初始化异常Bug排查

你遇到的偶发初始化失败、length字段异常为0的核心原因是3个明确的内存错误：

• 结构体堆分配大小完全错误：utf8_string_t *str = (utf8_string_t*)malloc(sizeof(utf8_string_t*)); 这行只分配了指针本身的长度（32位系统4字节、64位系统8字节），远小于utf8_string_t结构体的实际内存大小，后续给str->raw/str->length/str->chars赋值时会直接越界写堆内存，破坏堆块元数据或相邻内存的内容，这就是偶发崩溃、字段值随机错乱的根本原因。
• 原始字符串缓冲区分配长度不足：str->raw = (uint8_t*)malloc(strlen(s) * sizeof(uint8_t)); 没有为C字符串终止符\0预留1字节空间，后续如果按C字符串规则访问str->raw会触发越界读。
• 错误分支内存泄漏：raw、chars分配失败的分支中，之前已经分配成功的内存没有被释放就直接返回NULL，会持续泄漏堆内存。

你改后的版本修掉了最致命的结构体分配大小、raw缓冲区少1字节的问题，但还存在以下可能触发异常的点：

• 冗余且逻辑错误的free操作：malloc返回NULL时代表分配失败，对应指针本身是空值，不需要再free：比如if (!str)分支里的free(str)、if (!str->raw)分支里的free(str->raw)、if (!str->chars)分支里的free(str->chars)都是无意义操作，虽然C标准允许free空指针不会触发异常，但属于逻辑冗余。
• 循环计数器类型不匹配：循环里用来给chars数组计数的j是int类型，但str->length是uint64_t无符号64位类型，一旦解析的字符串长度超过int的取值范围（通常是2^31-1），j会发生整数溢出变成负数，后续写入str->chars[j]会直接写到完全错误的内存地址，触发越界写。
• 完全缺失UTF-8合法性校验：代码里直接用utf8len(*p)的返回值作为多字节字符长度，没有校验返回值是否在1_{4的合法范围内，也没有校验后续续字节是否符合UTF-8编码规则（必须是0x80}0xBF开头）。如果传入的字符串包含非法UTF-8字节，要么mb.bytes数组（固定4字节）写越界，要么遍历指针p会跳过末尾的\0一直往后读内存，触发越界访问。
• 码点计数和解析逻辑不一致风险：str->length是提前调用utf8_strlen(s)计算出来的，如果utf8_strlen的计数规则和后续实际解析循环的规则不一致（比如对非法字节的处理逻辑不同），会出现两种异常：要么j超过str->length，写爆chars缓冲区触发越界；要么j小于str->length，chars缓冲区里残留未初始化的垃圾值。
• 冗余指针强转：C语言中void*类型可以隐式转换为任意其他指针类型，不需要对malloc的返回值做强转，多余的强转反而可能掩盖忘记包含stdlib.h头文件导致的隐式声明错误。
• 错误日志丢失：所有分配失败的分支都去掉了perror打印，后续线上出问题时没法快速定位失败原因。

• 堆分配时永远用sizeof(结构体类型)计算大小，不要用sizeof(结构体指针)，避免出现分配长度不足的低级错误。
• 错误分支释放内存时，只释放已经确认分配成功的指针，不要对malloc失败返回的空指针做无意义free。
• 把循环计数器j的类型改成和length一致的uint64_t，避免整数溢出。
• 解析循环中增加UTF-8合法性校验：首字节返回的字符长度必须在1~4之间，后续每个续字节都要符合UTF-8编码规范，遇到非法字节直接返回错误，不要继续遍历。
• 可以先遍历一次输入字符串，同时完成合法性校验、码点计数，再分配chars缓冲区，避免提前计数和实际解析逻辑不一致导致的缓冲区大小错误。
• 保留分配失败时的错误日志打印，方便排查问题。

内容的提问来源于stack exchange，提问作者Moxy