用re.sub()配合预编译正则最稳妥，因str.replace()无法处理嵌套敏感词和词边界问题，需用\b或负向断言、长词优先排序、re.escape转义及IGNORECASE标志。
直接用 re.sub() 配合预编译的正则模式最稳妥，但必须注意词边界、大小写和 Unicode 问题，否则会漏匹配或误伤正常文本。
为什么不能直接用 str.replace()？
敏感词常有嵌套或部分重合（比如“苹果”和“苹果手机”），str.replace() 是贪心逐次替换，顺序错就可能留漏网之鱼；更关键的是它无法识别“独立词汇”——比如把“南京”替换成 ***，但“南京市”里不该动“南京”二字。正则的 \b 词边界和 (? 负向先行断言才能真正按“词”处理。
- “南京路” → 不该触发“南京”过滤
- “他买了个苹果。” → “苹果”要被过滤，“苹果手机”也要被过滤，且不能重复替换
- 用户输入可能含全角空格、换行、emoji，需提前 normalize 或扩展字符类
如何正确构建带词边界的正则模式？
核心是用 \b 或更可靠的 (?，尤其当敏感词含非 ASCII 字符（如中文）时，\b 在某些 Python 版本下对中文支持不一致，推荐显式写负向断言。
- 编译前对敏感词排序：长词优先（如先“苹果手机”，再“苹果”），避免短词截断长词匹配
- 转义所有特殊字符：
re.escape(word)必须加，否则“a.b”会被当成正则元字符 - 加上
re.IGNORECASE标志处理大小写变体，但注意中文通常不用，可单独控制 - 示例：
import re words = ["苹果", "苹果手机", "南京"] # 排序 + 转义 + 负向断言 pattern = "|".join(re.escape(w) for w in sorted(words, key=len, reverse=True)) regex = re.compile(r"(?
实际部署时容易踩哪些坑？
本地测试通过，上线后失效很常见，多数出在编码、上下文或性能上。
- 敏感词文件用 UTF-8 BOM 编码读入，导致首词多出
\ufeff，匹配失败 —— 读取时加encoding="utf-8-sig" - 用户输入含零宽空格（
\u200b）、全角标点，绕过\b—— 可在正则中扩展为(? 覆盖常见中文区间 - 敏感词上千条时，
|拼接的大正则会变慢甚至回溯爆炸 —— 改用 Aho-Corasick 算法（如ahocorasick库）替代 - 日志或调试输出里打印被过滤文本时，忘了脱敏，造成二次泄露 —— 替换后立即丢弃原始字段，或统一走脱敏日志处理器
真正难的不是写对一行 re.sub()，而是让模式在各种输入边界下稳定不漏不滥。词边界逻辑、字符集覆盖、编译时机、替换顺序，四者缺一都会在灰度期突然暴露问题。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
