Php 审查可能包含标记的不恰当词语的最佳方式是什么？

我运行一个大型网站，其中包含数以百万计的用户生成的包含HTML的帖子。其中一些帖子包含我的广告商不想在旁边做广告的敏感词。与其删除这些帖子，我宁愿删掉那些“坏”字。我还需要保留标记，因为让用户标记他们的帖子是网站的一个主要功能

我目前正在使用搜索并替换为

str_ireplace（）

，但是我们的作者变得聪明了，并且正在做一些事情（如下所示），这些事情会从我的原始过滤器中溜走。我可以剥离标签并检测不合适的单词，但我正在寻找一种方法来替换这些单词，同时保持标记不变

示例：

已成功审查：

input:  "<p>Mary is a bitch.</p>"
output: "<p>Mary is a *****.</p>" 

input:          "<p>Mary is a <strong>b</strong>itch.</p>"
failed output:  "<p>Mary is a <strong>b</strong>itch.</p>" 
desired output: "<p>Mary is a <strong>*</strong>****.</p>"

输入：玛丽是个婊子。
“
输出：“玛丽是一个******.
”

未成功审查：

input:  "<p>Mary is a bitch.</p>"
output: "<p>Mary is a *****.</p>" 

input:          "<p>Mary is a <strong>b</strong>itch.</p>"
failed output:  "<p>Mary is a <strong>b</strong>itch.</p>" 
desired output: "<p>Mary is a <strong>*</strong>****.</p>"

输入：Mary是一个b瘙痒者。
“
输出失败：“Mary是一个b瘙痒者。
”
所需输出：“Mary是一个****.
”

我的建议是使用其他方法来阻止这种情况，因为这非常困难

关于尝试这样做会产生哪些“clbuttic”问题：

淫秽过滤是一个持久的，甚至是永恒的问题。我怀疑仅仅通过代码是否有可能解决这个特殊问题。但似乎有些公司和开发商无法停止向风车倾斜。这意味着在你搬到斯肯索普之前，你可能需要三思

您可以从一个“坏单词”列表开始，检查标记clean字符串（即，根据“坏单词”过滤）。

---

然后，您可以通过一系列可能的单字母更改来重复每个坏单词，例如

S=>5，1=>L，0=>O

等等。

为了好玩，这里有一个快速而肮脏的方法：

$badWords = array('bitch', 'jerk');
$input = '<p>Mary is a <strong>b</strong>itch. </p>';

$arr = explode(' ', $input);

foreach($arr as $key => $word)
{
    $word = str_replace('.', '', strip_tags($word));
    if(in_array($word, $badWords))
    {
        $arr[$key] = '*****';
    }
}

$output = implode(' ', $arr);
echo $output;

$badWords=array（'bitch'，'jerk'）；
$input='Mary是一个bitch.
'；
$arr=分解（“”，$input）；
foreach（$arr as$key=>$word）
{
$word=str_replace（'.'，''，strip_标签（$word））；
if（在数组中（$word，$badWords））
{
$arr[$key]='*****'；
}
}
$output=内爆（“”，$arr）；
echo$输出；

输出

<p>Mary is a ***** </p>

玛丽是个****

上面将文本拆分为单词，并在每个单词上应用

strip_tags（）

，这样就不会影响整个内容

---

不过，正如评论所指出的那样，解决这一问题的方法还有很多。你永远不会找到一个完美的解决方案，可以处理他们向它扔来的所有东西——你需要创造一些接近人工智能的东西。我认为最好的真正解决方案是

strip_tags（）

在整个帖子上搜索不好的词，然后如果发现任何，标记帖子以引起版主的注意。或者干脆建立一个有活跃版主的报告发布系统。

你要用自己的方式完成这项任务将非常困难，但我的建议是不要用星号替换掉这些词，而是用just拒绝发布并让用户知道原因。原因如下：

简化搜索。如果您的算法只需检查文本中是否存在某种形式的坏单词，那么您可以

strip_标记

文本并搜索您的单词。如果您试图用星号替换它，您不能

strip_标记

，因为您需要将原始文本保留在它的前面条件

这是人们所期望的。人们不期望的是他们的文本被修改，而不通知他们。你最好给人们发一条消息，上面写着“这篇文章包含不合适的单词/文本”

---

如果你坚持用星号替换而不是将用户发回，那么你需要编写一个基本的逐字符解析器，忽略HTML标记并从中构造单词。

我认为这不会有什么帮助。让人讨厌的是，b-itch、bitch、beetch、be-yatch等等。这是一场持续不断的战斗，你需要添加规则，然后ey找到解决办法。@SWeko-我有我的单词列表——问题是有些作者正在做一些像beetch这样的事情，其中有无限的可能性。首先，去掉邮件中的html。如果其中有文本，确实没有办法可靠地检查文本。然后，去掉所有非字母字符，然后将结果与其他文本进行比较所有可能的脏话都有一个庞大的库。祝你好运。别忘了unicode的使用，

Ɓitch

或

ʙitch

这两个词都不使用常规的

B

，然后还有像

B1tch

这样的数字替换。这样的东西不会抓住所有的可能性。你最好的选择是一个好的调整系统报告和删除攻击性帖子。@Vidbot:您可以按照我的建议剥离字符串，如果其中包含脏话和“接受”，则可以拒绝该字符串如果没有的话，那就是最初的sting。我目前有一些mods标记和删除帖子，但可能需要找到更容易被冒犯的mods，以便与谷歌广告网络的观点保持一致。这个问题已经变得对时间敏感，所以我想我将不得不进行大规模搜索，标记所有包含坏词的帖子，并让mods处理它们@那么，你应该把这个评论作为一个答案发表，并自己接受它。