UTF-8编码错误索引含义解析：Rust报错为何指向索引0？

我来帮你理清楚这个问题的关键所在～先看你写的这段Rust代码：

fn main() {
    let ud7ff = String::from_utf8(vec![0xed, 0x9f, 0xbf]);
    if ud7ff.is_ok() {
        println!("U+D7FF OK! Get {}", ud7ff.unwrap());
    } else {
        println!("U+D7FF Fail!");
    }

    let ud800 = String::from_utf8(vec![0xed, 0xa0, 0x80]);
    if ud800.is_ok() {
        println!("U+D800 OK! Get {}", ud800.unwrap());
    } else {
        println!("{}", ud800.unwrap_err());
    }
}

你疑惑为什么两个例子里索引0的字节都是0xed，但第二个的错误提示却指向索引0，而不是看起来"有区别"的索引1？核心原因在于UTF-8的解码逻辑和Unicode的合法性规则：

• 首先，0xed是UTF-8中3字节序列的起始字节（二进制格式为1110xxxx），Rust会从索引0开始，把它和后续两个字节作为一个整体来解码。
• 第一个例子解码后得到的是U+D7FF，这个码点属于Unicode基本多语言平面（BMP），是完全合法的标量值，所以整个序列被判定有效。
• 第二个例子解码后得到的是U+D800，这个码点属于代理码点范围（U+D800至U+DFFF）——Unicode规范明确规定，这些码点是UTF-16用来表示补充平面字符的"中间过渡码"，不能单独出现在UTF-8编码中，属于无效的Unicode标量值。

错误提示里的from index 0，指的是整个无效UTF-8序列的起始位置，而不是单个错误字节的位置。虽然索引0的字节本身在两个例子里相同，但结合后续字节解码出的最终码点是否合法，才是判定的核心。第二个例子中，从索引0开始的3字节序列解码出了无效的代理码点，所以错误被标记为从索引0开始。

内容的提问来源于stack exchange，提问作者炸鱼薯条德里克