PHP 利用中文字符比率精準過濾垃圾評論

前言

近期網站常遭遇一類狡猾的垃圾評論：大段英文夾雜一兩個生僻漢字，因包含中文字符且無敏感詞，輕易繞過常規過濾機制。針對此類「偽中文」評論，可透過計算中文字符佔總字符的比率來識別攔截。本文將詳細介紹基於 PHP 實現的檢測邏輯與代碼實踐。

核心原理

PHP 中 strlen() 與 mb_strlen() 對中文長度的計算差異是關鍵：

• strlen()：按字節計算，UTF-8 編碼下單個漢字佔 3 字節。
• mb_strlen()：按字符計算，單個漢字長度為 1。

同一字符串經兩函數處理，長度之差即為中文字符字節數的 2 倍（因 3-1=2）。除以 2 得到實際漢字數，再除以總字符數（mb_strlen 結果），即得中文佔比。

實現代碼

<?php
$len_all = strlen($comment['text']);
$len_st  = mb_strlen($comment['text'], 'UTF-8');

// 中文佔比低於 50% 判定為垃圾評論
if (($len_all - $len_st) / (2 * $len_st) < 0.5) {
    $error = "中文字符少於百分之五十";
}
?>

注意事項

若評論包含代碼片段，會導致中文比率偏低產生誤判。建議先過濾代碼標籤（如 <code>、<pre>）後再進行比率計算，提升準確度。

總結

此方法簡單高效，能有效攔截「掛羊頭賣狗肉」的垃圾評論，但需輔以代碼過濾等預處理以降低誤判率。實際部署時可根據業務場景調整閾值（如 40%~60%）。