不能用std::string::find做实时脱敏，因其暴力遍历导致时间复杂度达o(n×m)，不支持最长匹配优先与重叠匹配，且无法处理utf-8编码边界和html标签跳过。
敏感词匹配为什么不能用 std::string::find 做实时脱敏
因为暴力遍历 + find 会反复扫描主串，时间复杂度接近 O(n×m)，当敏感词库超 1000 条、文本长度超 10KB 时，单次替换可能卡住几十毫秒。更糟的是，它无法处理“南京”和“南京市”共存时的最长匹配问题，容易漏掩或重复掩码。
实操建议：
- 改用 AC 自动机（Aho-Corasick）——C++ 标准库不提供，但
aho-corasick（GitHub 开源轻量实现）可直接集成，构建一次自动机后，单次扫描完成所有匹配 - 若不允许第三方依赖，手写简化版 AC：只保留 failure 边 + output 链表，不用动态内存分配，全部用
std::array和栈数组预分配（例如最大状态数设为 10240） - 敏感词插入前统一转小写（或按需保留大小写），避免同一词因大小写重复建状态
掩码替换要区分「原位覆盖」和「新串构造」两种模式
原位覆盖（in-place）快但危险：如果掩码长度 ≠ 原词长度（比如 “***” 替 “张三”），就会踩内存或破坏 UTF-8 编码边界；新串构造安全但多一次内存分配。
实操建议：
- UTF-8 场景下，绝不要用
std::string::replace原位操作 —— 它按字节索引，而中文字符占 3 字节，pos若落在中间字节上会截断成乱码 - 先用
utf8cpp::distance或手动解析 UTF-8 字节序列，把匹配到的start_byte和end_byte转为 Unicode 码点位置，再映射回字节区间 - 推荐新串构造：用
std::string_builder（C++20）或预估容量（原文长度 + 3 × 匹配数）调用reserve()，避免多次 realloc
如何让引擎支持「跳过 HTML 标签」和「保留格式」
纯文本引擎一遇到 <p>用户说</p><div class="aritcle_card flexRow artxards">
<div class="artcardd flexRow">
<a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill4025" title="C++ 算法竞赛自动化测试数据生成与校验框架"><img
src="https://img.php.cn/upload/skill/000/000/081/178988956499722.jpg" alt="C++ 算法竞赛自动化测试数据生成与校验框架" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
<div class="aritcle_card_info flexColumn">
<a rel="nofollow" href="/xiazai/skill4025" title="C++ 算法竞赛自动化测试数据生成与校验框架" class="overflowclass">C++ 算法竞赛自动化测试数据生成与校验框架</a>
<p class="overflowclass">根据原题生成新题面、验证器及完整测试数据，自动套用 testlib 模板，用于用户要求生成测试数据时。</p>
</div>
<a rel="nofollow" href="/xiazai/skill4025" title="C++ 算法竞赛自动化测试数据生成与校验框架" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span>
</a>
</div>
</div> 就可能把 <p></p> 当作普通字符串去匹配，导致标签被错误替换或掩码插入破坏结构。
实操建议：
- 不推荐正则预清洗（如
std::regex）——性能差且难以处理嵌套标签，C++17 的std::regex还有栈溢出风险 - 采用状态机式预扫描：维护一个
in_tag布尔标记，遇到' 切换状态，仅在 <code>!in_tag时喂给 AC 自动机 - 若需保留原始标签位置，记录每个匹配的 byte offset，并在构造结果串时，把未匹配段（含标签）和掩码段交替拼接
- 对富文本（如 Markdown），同理识别
[text](url)中的text区域，跳过括号和括号外内容
std::string_view 能否用于加速？哪些地方必须复制
能，但仅限只读场景。AC 自动机内部状态转移必须基于字节流，std::string_view 可避免构造临时 std::string；但一旦涉及替换、拼接、UTF-8 解析，就必须转为 owned string 或明确生命周期管理。
实操建议：
- 敏感词加载阶段：用
std::vector<:string_view></:string_view>接收词表，构建 AC 时只读取其data()和size()，不拷贝 - 文本输入参数用
std::string_view，但进入 UTF-8 解析前，确认其指向内存不会在函数返回前释放（尤其别传临时std::to_string().c_str()） - 输出结果必须是
std::string—— 因为掩码逻辑可能插入新字节，string_view无法持有所有权 - 若追求零拷贝输出（如写入 socket），可改为接受
std::function<void></void>回调，在每次匹配段/非匹配段就绪时直接投递
真正难的不是匹配算法本身，而是怎么在不破坏编码、不撕裂 HTML、不拖慢响应的前提下，把“掩掉什么”和“留下什么”算清楚。多数人栽在 UTF-8 边界和标签状态同步上，而不是 AC 自动机写得够不够快。
C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
