如何在C++ Linux应用中校验含国际化字符的文件路径合法性？

核心规则说明 #

Linux文件系统原生仅对路径做两个强制限制：

• 不能包含\0字符（C字符串终止符）
• 路径分隔符/仅可作为层级分隔使用，不可出现在单级文件/目录名中
  你需要的emoji过滤属于业务自定义规则，仅需在字符串层面做Unicode码点校验即可，无需调用文件系统接口，完全满足你不校验文件存在性的要求。

可选依赖库 #

• ICU库：业界标准的Unicode处理C/C++库，原生支持UTF32编码操作，内置Unicode字符属性查询能力，可以直接通过UCHAR_EMOJI二进制属性快速判断字符是否为emoji，同时支持码点合法性校验、编码转换等能力，适合处理包含国际化字符的场景。
• Boost.Locale：基于ICU封装的C++本地化库，接口风格贴合STL规范，上手门槛更低，同样支持字符属性查询、编码转换等能力，适合已经引入Boost体系的项目使用。
• 无依赖轻量实现：如果项目对依赖管控严格，可以自己维护emoji对应的Unicode码点范围表，直接遍历UTF32字符串的每个码点做范围匹配即可，性能最高，无需引入第三方依赖。

具体实现步骤 #

1. 基础合法性校验
   遍历UTF32路径的所有码点，首先排除码点为0的非法字符，同时可以根据业务规则检查/的位置是否符合路径规范（比如不能连续出现多个/、不能出现在文件名段中等）。
2. 违规字符过滤

• 采用ICU实现：调用u_hasBinaryProperty接口，传入待判断的码点和UCHAR_EMOJI属性值，返回为true的即为emoji字符，直接剔除即可；也可以通过u_charType接口获取字符的通用类别，保留你需要的合法字符类别（比如字母、数字、中日韩表意文字、常用标点等），其他类别字符直接过滤。
• 采用无依赖实现：提前整理emoji的Unicode码点范围表，遍历每个UTF32码点匹配范围，命中的直接剔除即可。

3. 编码合法性兜底
   所有合法Unicode码点的范围是0x0000 ~ 0x10FFFF，超出该范围的码点直接判定为非法，可以选择剔除非法码点或者直接标记整条路径无效。

注意事项 #

• 过滤规则需要提前明确合法字符的范围，避免误杀小语种、少数民族文字等合法的国际化字符。
• 如果后续需要调用Linux系统API操作路径，只需要将校验后的UTF32字符串转码为UTF-8即可，转码过程同样可以通过上述库完成合法性校验。

内容的提问来源于stack exchange，提问作者sinoptic