PHP 敏感詞過濾實作：關鍵字檔案載入、陣列遍歷與正則匹配兩種方案

內容審核系統的核心需求是敏感詞過濾。本文提供兩種 PHP 實作方案：方案一：逐詞 strpos 遍歷（簡單、適合中小詞庫）、方案二：合併正則單次匹配（高效、適合大詞庫），並解析編碼陷阱、效能優化與擴展建議。

方案一：逐詞遍歷檢測（strpos 版）

關鍵字儲存於 keyWords.txt，每行一詞，UTF-8 編碼。

function keyWordCheck(string $content): string|false {
    $content = trim($content);
    $file = __DIR__ . '/keyWords.txt';
    if (!is_readable($file)) return false;

    $words = file($file, FILE_IGNORE_NEW_LINES | FILE_SKIP_EMPTY_LINES);
    foreach ($words as $word) {
        $word = trim($word);
        if ($word === '') continue;
        // stripos 大小寫不敏感；mb_strpos 支援多位元組
        if (mb_strpos($content, $word) !== false) {
            return $word; // 返回首個命中的敏感詞
        }
    }
    return false;
}

// 使用
$text = '這裡是要發布的文本內容。。。';
if ($bad = keyWordCheck($text)) {
    echo "內容包含敏感詞：$bad";
} else {
    echo "通過檢測，可入庫";
}

方案二：合併正則單次匹配（PCRE 版）

將所有敏感詞以 | 連接成一個巨大正則，**一次掃描**即可檢測所有詞彙，效能遠優於逐詞循環。

function banwordCheck(string $string, string $fileName): bool {
    $pattern = @file_get_contents($fileName);
    if ($pattern === false) die('敏感詞檔案讀取失敗');

    // 檔案內容已為 "詞1|詞2|詞3" 格式，或每行一詞需自行 implode('|', $arr)
    // 加上邊界修飾詞防止部分匹配誤傷（視需求）
    $regex = '/' . $pattern . '/iu'; // i=不分大小寫, u=UTF-8

    return (bool)preg_match($regex, $string);
}

// 敏感詞檔 banwords.txt 內容範例：
// 賭博|色情|暴力|敏感詞4|敏感詞5

// 使用
$content = '測試關鍵字';
if (banwordCheck($content, __DIR__ . '/banwords.txt')) {
    echo "命中敏感詞";
} else {
    echo "未命中";
}

效能對比與選擇建議

關鍵細節與避坑指南

1. 正則元字元轉義：敏感詞若含 . * + ? [ ] ( ) { } | ^ $ \ 等，合併正則前**必須** preg_quote($word, '/') 轉義，否則導致正則語法錯誤或匹配異常。
2. UTF-8 編碼一致性：檔案、PHP 腳本、資料庫、HTTP 輸出**全鏈路 UTF-8**。/u 修飾符強制 PCRE 以 UTF-8 模式運作，避免多位元組字元被拆分匹配。
3. 短詞誤傷：如敏感詞「幹」，會誤殺「幹部」、「幹勁」。解決：
   ① 詞庫維護最短長度 ≥ 2 字
   ② 正則加詞邊界 /\b(?:詞1|詞2)\b/u（中文詞邊界較複雜，建議引入分詞庫）
   ③ 人工複審機制
4. 效能陷阱：災難性回溯：避免在正則中使用巢狀量詞（如 (a+)+）。敏感詞正則純交替 A|B|C 安全，但若詞庫極大（>5 萬），PCRE 編譯/匹配可能超時，需分塊或改用 Aho-Corasick 自動機（PHP 擴展 php-aho-corasick 或純 PHP 實現）。
5. 替換/標記功能擴展：preg_replace_callback 可將命中詞替換為 ***、<mark>$0</mark> 或記錄位置。

進階架構：分層過濾管線

class ContentFilter {
    public function filter(string $text): array {
        $result = ['clean' => $text, 'hits' => [], 'level' => 'pass'];

        // 1. 快速正則檢測（高危詞）
        if ($this->regexHighRisk->match($text)) {
            $result['level'] = 'reject';
            return $result;
        }

        // 2. Aho-Corasick 多模式匹配（通用詞庫）
        $hits = $this->acAutomaton->search($text);
        if ($hits) {
            $result['hits'] = $hits;
            $result['level'] = 'review';
            $result['clean'] = $this->mask($text, $hits);
        }

        return $result;
    }
}

總結

中小專案用 strpos 遍歷足夠；大流量、大詞庫**必須**用合併正則或 Aho-Corasick 自動機。核心鐵律：**UTF-8 全鏈路、元字元轉義、短詞誤傷防範、效能基準測試**。建議引入成熟庫（如 phpsensitive, htmlpurifier 內建過濾）而非重造輪子。