PHP 判断字符串是否包含敏感词

前言

最近做一个用PHP检测字符串是否包含敏感词的功能，遇到了点问题记录一下。

---

一、实现方式

preg_match_all 执行一个全局正则表达式匹配，示例代码如下。

示例（1）

$word = 'fuck';         //敏感词
$content = 'fuck Tony'; //待检测内容
preg_match_all('(\b' . $word . '\b)i', $content, $matchs);
if($matchs[0]){
    echo "包含敏感词：".implode(',',$matchs[0]);
    die;
}
echo 'nb plus';
die;

执行结果：

包含敏感词：fuck

示例（2）

$word = 'fuck';           //敏感词
$content = 'fucker Tony'; //待检测内容
preg_match_all('(\b' . $word . '\b)i', $content, $matchs);
if($matchs[0]){
    echo "包含敏感词：".implode(',',$matchs[0]);
    die;
}
echo 'nb plus';
die;

执行结果：

nb plus

实践证明此方法可行，跟预期执行结果一样。

二、问题

如果待检测的字符串是中文、英文或数字等组合，上面例子可以完美实现需求。如果包含比较特殊的字符就暴露出了问题。

示例（3）

$word = 'lá';  //敏感词（越南语）
$content = 'người lái chuyên dụng tiện lợi'; //待检测内容（越南语）
preg_match_all('(\b' . $word . '\b)i', $content, $matchs);
if($matchs[0]){
    echo "包含敏感词：".implode(',',$matchs[0]);
    die;
}
echo 'nb plus';
die;

执行结果：

包含敏感词：lá

执行结果感到意外，lái包含lá结果被当成了敏感词了，所以上面的正则匹配是有漏洞的。

三、解决方式

这个问题有点懵，没有啥思路解决。好在功夫不负有心人，在强大的搜索引擎下找到了解决问题的蛛丝马迹。找到了一篇文章【点击跳转】。

大概意思是字符串中包含Unicode字符时，使用正则表达 /(\b##)/i 匹配单词边界不好使，必须使用\u修饰 /(\b##)/iu

eaaa… 似懂非懂。不过此方法确实解决了我的问题。调整后代码如下，正则表达式后面加了个u

示例（4）

$word = 'lá';  //敏感词（越南语）
$content = 'người lái chuyên dụng tiện lợi'; //待检测内容（越南语）
preg_match_all('(\b' . $word . '\b)iu', $content, $matchs);
if($matchs[0]){
    echo "包含敏感词：".implode(',',$matchs[0]);
    die;
}
echo 'nb plus';
die;

执行结果：

nb plus

总结

对正则的理解停留在搜索引擎，自己写有点困难，有待提升。对此问题的解决也是似懂非懂。

关于正则表达式\b的意思可以网上搜索，这里提供一篇文章【点击跳转】