用std::string::substr()提取n-gram最直接，需遍历起始位置i∈[0, len−n+1)，避免越界；len
用 std::string 切子串是最直接的方式
不需要引入第三方库，C++11 起 std::string::substr() 就能搞定 N-gram 提取。核心逻辑就是遍历起始位置，每次取长度为 n 的子串。
常见错误是越界：当字符串长度 len 小于 n 时，substr(i, n) 在 i 接近末尾时会抛 std::out_of_range，或者静默截断（取决于实现和参数）。必须手动限制循环上界为 len - n + 1。
- 只对有效索引操作：
for (int i = 0; i （注意是 <code>，不是 <code>） - 空字符串或
n == 0需提前返回空容器，否则s.length() - n可能成极大正数（无符号整数下溢） - 若需保留空白符（如分词前的原始字符级 n-gram），别先
trim；若做词级别 n-gram，得先按空格/标点切词，再对vector<string></string>做滑动窗口
处理 Unicode 字符要小心 std::string 的字节陷阱
std::string 存的是字节，不是字符。UTF-8 下一个汉字占 3 字节，直接用 substr() 切可能截断码点，产生乱码或非法序列。
真实场景中，如果你的输入来自文件、网络或用户输入，大概率是 UTF-8 编码。这时候“提取 2-gram”是指 2 个 Unicode 字符，不是 2 个字节。
立即学习“C++免费学习笔记（深入）”；
- 简单但不健壮的做法：用
std::wstring+std::locale转宽字符，再切 —— 但 Windows/Linux 对wchar_t宽度定义不同，跨平台易出问题 - 推荐轻量方案：用
utf8cpp库（头文件仅utf8.h）先解码为std::vector<uint32_t></uint32_t>（即 Unicode 码点），再对这个向量做滑动窗口 - 若确定输入全是 ASCII（比如日志 ID、base64 片段），可跳过这步，直接用
substr
性能关键：避免重复分配和拷贝
提取 10 万字符文本的 3-gram，可能生成数万个 std::string 对象。默认方式每调用一次 substr() 都分配新内存，开销明显。
有两种实用优化路径：
- 用
std::string_view（C++17）代替std::string存结果：所有 n-gram 共享原字符串内存，只存偏移和长度，构造零成本 - 如果后续要哈希或查重，直接算
std::hash<:string_view>{}(sv)</:string_view>，比存完整字符串省空间又快 - 若必须用
std::string（比如要传给旧接口），预先reserve()目标容器，避免多次 realloc
边界情况：空格、换行、控制字符怎么算？
N-gram 提取本身不关心语义，但特征工程效果高度依赖预处理策略。同一段文本，“hello world” 的字符 2-gram 是 "he", "el", "ll", "lo", "o ", " w", "wo", "or", "rl", "ld" —— 注意空格也被计入。
是否保留空白，取决于任务目标：
- 做语言模型建模（如拼写纠错）：通常保留空格和换行，因它们也是语言的一部分
- 做关键词聚类或分类：常先替换连续空白为单空格，再
erase(remove_if(... isspace ...))彻底去掉所有空白 - 遇到
\0、\r、\t等，substr()照样提取，但后续处理（如写入 CSV）可能出错，建议提前清洗
最易被忽略的是：n-gram 数量随 n 增大衰减极快，且长 n-gram 稀疏性爆炸。实际用时，n 很少超过 5，且常配合 hash trick 或 top-k 截断使用。
