不能直接用std::string::replace或find，因时间复杂度o(n×m)高、无法处理重叠嵌套匹配、易漏替重复替、触发频繁内存重分配且不支持utf-8码点级操作；必须用ac自动机构建trie+失败指针，单次扫描实现o(n+m+z)高效匹配与安全掩码。
直接用 std::string::replace 或循环调用 std::string::find 做敏感词脱敏，线上一跑就卡顿、漏匹配、甚至崩溃——这不是配置问题，是算法选错了。AC 自动机（Aho-Corasick）才是唯一能兼顾正确性与吞吐量的解法，其他都是临时凑合。
为什么 std::string::find + replace 必然失败
常见错误现象：std::string::find 每次从头扫，1000 个词 × 10KB 文本 → 实测耗时 8–12ms；更糟的是，“北京”和“北京市”共存时，先替“北京”会把“北京市”切碎，后续再也匹配不到；“张三丰”里“张三”和“三丰”重叠，暴力替换后变成“**丰”，而非预期的“***”。
- 时间复杂度是 O(n × m)，n 是文本长度，m 是词表大小，不随业务增长而稳定
- 每次
replace都触发内存 realloc，长文本下拷贝开销爆炸 - UTF-8 中文被当字节处理：
s[3]可能落在某个汉字中间，导致后续 decode 失败 - 没有失败跳转机制，无法支持“最长前缀优先”或“多词同位置命中”
AC 自动机必须这样初始化才不出错
构建阶段出错，后面全白忙。实测 90% 的线上故障源于 fail 指针未正确 BFS 初始化，或敏感词未归一化。
- 敏感词插入前必须去重：
std::set<:string></:string>或std::unordered_set过滤重复项 - 按长度升序插入：短词（如“色”）要先于长词（如“色情”）进 Trie，否则 fail 指针无法指向正确输出
- UTF-8 文本必须做码点级切分：不能直接用
char构建节点；推荐用utf8cpp::utf8to32转为std::u32string后再建树，或用icu::UnicodeString归一化（NFKC） - 构建完成后立即调用
build_failure_links()，别懒、别延迟到第一次 search 时再算
匹配结果怎么安全转成掩码字符串
拿到 std::vector<:pair size_t>></:pair>（起始字节偏移 + 长度）只是开始。直接从左到右 replace 会因索引偏移错乱，导致越界或漏掩。
- 必须按起始偏移倒序排序：
std::sort(matches.rbegin(), matches.rend())，确保右边替换不影响左边坐标 - 掩码字符数必须严格等于原词字节数：用
std::string(len, '*')，别硬写"***"—— 中文占 3 字节，“宝”得替成"***"，不是"*" - 结果字符串要预分配：
result.reserve(input.size() + 2 * matches.size())，避免多次realloc - 禁止在循环里拼接：
result += segment是性能杀手；改用result.append(segment)或std::copy到预分配缓冲区
中文、emoji、HTML 混合文本怎么不崩
真实日志/评论/弹幕永远不是纯文本。跳过非文本区域不是可选项，是保命线。
- 先做轻量 tokenization：维护
in_tag（遇' 开启、<code>'>'关闭）、in_url（匹配"https?://"或含'@'且前后为空格/标点）状态，这些区域完全跳过 AC 匹配 - UTF-8 偏移映射必须保留：归一化（NFKC）后字节长度可能变，需构建原始字节位置 ↔ 归一化后位置的双向映射表，脱敏操作最终落回原始字符串坐标
- emoji 不是“一个字符”：U+1F600 ? 是 4 字节，
s.substr(5, 1)会截断；所有索引操作必须基于utf8::distance(s.begin(), s.end())计算码点数，而非s.size() - 生产环境必须缓存 trie：用
static std::shared_ptr<actrie></actrie>+ 读写锁，避免每次请求重建耗时 150–300ms
最易被忽略的点：AC 自动机只解决“在哪匹配”，不解决“怎么替换才不破坏语义”。空格、标点、换行是否保留，掩码是否等宽，HTML 标签是否闭合——这些都在匹配之后，但决定服务能不能上线。
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！
