不能直接用 std::string::find 做敏感词匹配，因其时间复杂度高（o(n×m×l)）、无法处理重叠匹配与前缀干扰，且正则和简单替换均存在性能与语义问题；应采用 ac 自动机配合标记+延迟替换、区间合并、utf-8 安全处理及线程安全热更新的完整方案。
为什么不能直接用 std::string::find 做敏感词匹配
逐个调用 std::string::find 检查每个敏感词，时间复杂度是 O(N×M×L)，其中 N 是文本长度、M 是词表大小、L 是平均词长。10 万字文本 + 5000 个敏感词时，很容易卡住几百毫秒甚至秒级——这不是“慢”，是不可接受的阻塞。
更糟的是，它无法处理重叠匹配（如“法轮功”和“轮功”同时存在）或前缀干扰（如“非法”中“非”不是敏感词，但“非法集会”的“非法”需要整体命中）。
- 别对每个词单独
find，尤其别在循环里反复substr或replace - 避免正则（
std::regex）做批量敏感词，编译开销大，执行也慢，且不支持动态更新词表 - 如果词表固定且极小（
AC 自动机是当前最实用的选择
AC 自动机（Aho-Corasick）把所有敏感词构建成一棵带失败指针的 Trie，单次扫描文本即可完成全部匹配，时间复杂度稳定在 O(N + K)，K 是总匹配次数。libacm、cpp-aho-corasick 等轻量库可用，但自己实现核心逻辑仅需 200 行左右。
关键点不在“建树”，而在“失败指针的构建方式”和“匹配时是否跳过已覆盖位置”：
- 构建失败指针必须用 BFS（不是 DFS），否则深层节点的失败指针可能指向未初始化的父节点
- 匹配过程中，若允许重叠（如屏蔽“南京”和“京大”，文本“南京大学”要命中两个），就不能在匹配后跳到
fail->next[c]，而要持续沿失败链向上检查 - 实际部署时建议用
std::vector存子节点索引（而非std::map<char int></char>），字符集确定（如仅 ASCII 或 GBK 首字节）时可用数组，提速 3–5 倍
替换策略比匹配更难：别只用星号简单覆盖
直接把匹配到的子串全替成 "***" 会破坏语义连贯性，比如“张三丰”→“***丰”，或导致 HTML 标签错乱（<p>法轮功</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> 变成 <p>***</p> 但中间被截断）。
真正可用的方案是“标记 + 延迟替换”：
- 先用 AC 自动机跑一遍，记录所有
{start, end, word}匹配区间，存入 vector - 合并重叠/嵌套区间（如 [2,5] 和 [4,7] → [2,7]），避免重复替换
- 从后往前遍历区间，在原字符串上用
std::string::replace替换（防止索引偏移）；替换内容可按原词长度生成星号，或查表映射为统一占位符（如"[敏感词]"） - 若输入含 UTF-8，务必按字节切分前先验证是否为合法 UTF-8 序列，否则
std::string的下标操作会切裂中文字符
上线前必须压测的三个边界点
算法正确不等于线上可用。以下三点不验证，上线必出问题：
-
std::string的replace在多次调用时触发多次内存重分配——对 1MB 文本做 500 次替换，可能产生数 MB 临时内存；改用std::string_view配合输出缓冲区预分配更稳 - 敏感词含正则元字符（如
"."、"*"）？AC 自动机默认不转义，必须在插入前过滤或拒绝非法字符，否则行为不可控 - 词表热更新时，若新旧 Trie 切换不同步（如匹配线程还在用老树，构建线程已释放内存），会 crash；必须用原子指针 + RAII 封装（如
std::shared_ptr<const trie></const>）
AC 自动机本身不难，难的是把匹配、合并、替换、编码、并发这几环串成一条不掉链子的流水线。多数故障不出在算法，而出在某处忘了加锁、某次越界访问、或某段没处理好 UTF-8 多字节边界。
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！
