java - 正则表达式匹配词

Question

如何使用 Java 正则表达式匹配被禁止的单词，例如，如果我想禁止单词 stackoverflow，它将匹配 stackoverflow、stackoverflow 和 stackoverflow。

这样做的目的是阻止人们在聊天中说禁止的话。正则表达式也必须工作，以便它们可以是任何一方的任何东西。例如“转到 stackoverflow，它是一个很好的网站”会检测到 stackoverflow。

Answer 1

你可以做的是去掉这里所有的非字母数字字符，然后匹配你的禁用词。但这并不能完全消除向听众传达脏话的机会。例如人们可以使用人类认知系统无论如何都能理解的leet，例如“Long”这个词可以写成“| 0ng”，为了保持简洁，我不会使用真实的例子。例如“亚历山大”可以是“/\ | 3 >< /\ |\| c| 3 r”

Answer 2

尽管您要求的是基于正则表达式的特定答案，但正则表达式并不总是可以扩展到所需的内容：尤其是在处理不稳定的人工输入时。

有一些字符串相似性算法，当与 Fairmutex 的答案这样的简单初步阶段结合使用时，可以提供更全面的禁止过滤器。

一种流行的算法是Levenshtein Distance。虽然它很快，但它很大程度上基于单词的顺序，因此在“溢出堆栈”的输入中搜索“堆栈溢出”会给你一个否定的结果。

对于我以前的项目，我使用了这种巧妙的算法，它考虑了后一种困境。虽然它有点重，但它比正则表达式和 Levenshtein Distance 做得更好。

另一个想法是通过我之前链接的 Strike-a-Match 算法运行输入，如果输入低于特定的相似度阈值（例如，50%+ 匹配），则运行特定的通用 leet 过滤器。这将在替换常用的 leet speak 的基础上起作用。例如“|\|” 无论间距如何，都会被“n”替换。