AC自动机是唯一兼顾正确性、吞吐量与内存可控性的方案，因其O(n+z)匹配复杂度、支持重叠嵌套匹配、UTF-8安全解析及预分配内存等特性，显著优于暴力扫描。
别用 std::string::find 或循环 replace，它们在词量超百、文本超几 KB 时就明显卡顿，且必然漏匹配、错掩码、崩 UTF-8；AC 自动机是唯一能兼顾正确性、吞吐量和内存可控性的方案。
为什么 AC 自动机比暴力扫描快一个数量级
暴力扫描时间复杂度是 O(n × m)，n 是文本长度，m 是敏感词数量；AC 自动机建树耗时 O(Σ|word|)，匹配仅 O(n + z)（z 是总匹配数），10KB 文本 + 2000 个词实测匹配耗时稳定在 5–12μs。关键在于它把所有词编译成一张状态跳转表，单次扫描就能命中全部重叠/嵌套项，比如“南京”和“南京市”在“南京市鼓楼区”中可同时定位，无需回溯或重复扫描。
-
std::string::find每次从头开始扫，遇到“张三丰”，先匹配“张三”切掉，后续“三丰”就再也找不到 - AC 自动机靠 failure link 和 output chain 实现“匹配不中断”，同一位置可输出多个词 ID
- 手写简化版 AC 可全用
std::array预分配状态节点（如std::array<node></node>），避免new和std::vector动态扩容，内存占用固定可估
如何避免 UTF-8 中文被截断成乱码
所有掩码操作必须基于字节偏移对齐，但 std::string 的 substr(pos, len) 和 replace(pos, len, ...) 默认按字节操作——若 pos 落在某个汉字中间（如 UTF-8 中“宝”占 3 字节，s[5] 正好是第二字节），就会破坏编码。不能靠猜，得显式解析。
C++ Code Review Master
下载
组合式C++代码评审方案，融合静态分析、AI推理、多轮迭代评审和C++专项检查，适用于PR审查、增量代码审查、全项目评审和代码质量评分，触发词包括review cpp、cpp代码评审、C++review、代码审查。
- 匹配前不做任何大小写转换：AC 库默认按字节比较，中文转小写会出错；如需 case-insensitive，统一用
std::tolower处理原始词表再建树 - 拿到 AC 返回的
{start_byte, length_byte}后，**不直接切片**；用utf8cpp::distance(s.c_str(), s.c_str() + start_byte)算出起始码点位置，再用utf8cpp::advance得到结束码点，反向映射回字节区间 - 掩码字符串必须等长：用
std::string(length_byte, '*')，而非硬写"***"；“张三”占 6 字节，就得填 6 个*
怎么安全拼接结果串而不触发多次 realloc
边匹配边 += 拼接是性能杀手——每次 += 都可能触发 realloc 和整块拷贝。高频脱敏场景下，90% 耗时其实不在匹配，而在字符串构造。
立即学习“C++免费学习笔记（深入）”；
- 先用
std::vector<:pair size_t>></:pair>存所有{start, end}字节区间，按end降序排序（std::sort(matches.rbegin(), matches.rend())） - 预估结果容量：
result.reserve(text.size() + 2 * matches.size())（每个掩码平均多 1–2 字节） - 倒序遍历区间：从文本末尾往前拼，用
std::copy写入预分配 buffer，避免索引偏移问题；例如text.substr(end, text.size() - end)→ 掩码 →text.substr(start, end - start)→ 前段 - 禁用
std::string::append或+=在循环内；改用std::string_view提取子串，延迟拷贝
哪些地方最容易忽略导致线上崩溃
AC 自动机本身很稳，但周边环节一松懈就崩：failure link 没 BFS 初始化、UTF-8 区间没校验、掩码长度没对齐字节——这些错误在线下小数据测不出，一上生产就偶发乱码或越界访问。
- 构建后必须调用
ac.build_failure_links()或等效初始化函数，否则“南京路”里只命中“南京”，漏掉“京” - 敏感词插入前去重：
std::unordered_set<:string></:string>过滤，否则相同词建多次状态，浪费空间且 fail 指针逻辑错乱 - HTML 标签必须跳过：不解析 DOM，用双状态机识别
和 <code>>区间，在标签内不调用ac.search()；否则<p>张三</p>会被替成<***>张三</***> - 替换后绝不检查新敏感词：AC 是单趟扫描，不支持“替换→再扫描”迭代；业务上需明确要求“仅原始文本脱敏”，避免引入逻辑循环
