敏感词匹配不能用std::string::find逐个扫描，因时间复杂度O(N×M×L)过高；应使用Trie树将单次匹配降至O(M)，但需正确处理UTF-8解码、Unicode码点切分、无锁读/热更新写、精简节点设计等关键问题。
敏感词匹配为什么不能用 std::string::find 逐个扫？
因为时间复杂度太高：N 个敏感词、M 个待检测文本，暴力匹配是 O(N×M×L)，L 是平均词长。用户输入一长串弹幕或评论，几十毫秒就卡住——尤其在高并发服务里，CPU 会直接拉满。
字典树（Trie）把所有敏感词建模成共享前缀的树结构，单次匹配降到 O(M)，且内存局部性好、缓存友好。但 C++ 标准库没现成 Trie，得自己搭骨架，关键不是“能不能写”，而是“怎么写才不踩坑”。
-
std::unordered_set存敏感词？查前缀不支持，只能全词匹配，漏掉“苹果”屏蔽不了“苹果手机” - 用
std::map<char, Node*>？分支少时没问题，但中文字符（UTF-8 多字节）或 emoji 会让char错位，必须按 Unicode 码点拆分，不是简单str[i] - 不加锁直接多线程读？Trie 构建完只读，可以无锁访问；但若运行时热更新词库，就得用
std::shared_mutex控制写，别用std::mutex拖慢所有读请求
如何正确处理中文和混合文本的字符切分？
Trie 的每个节点对应一个“字符单元”，但 C++ std::string 是字节序列，for (auto c : s) 对 UTF-8 中文会切出乱码字节。必须先做 UTF-8 解码，提取 Unicode code point。
别手写解码器——用 utf8cpp 库（头文件仅 utf8.h）或 C++20 的 <char8_t>（但 GCC 12+ 才稳定）。实操建议：
立即学习“C++免费学习笔记（深入）”；
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。
- 构建 Trie 前，对每个敏感词调用
utf8::utf8to32(input, output)转成std::vector<char32_t>，再逐 code point 插入 - 匹配时，同样把待检文本转成
std::vector<char32_t>，再走 Trie 遍历 - 避免在 Trie 节点里存
std::string或std::u8string——开销大，改用std::array<Node*, 0x110000>不现实，改用std::unordered_map<char32_t, Node*>更省内存
TrieNode 设计中哪些字段真有必要？
最小可行节点只需三个字段：是否为敏感词结尾（is_end）、是否带掩码长度（mask_len）、子节点映射（children）。别加 word 字段存原词——匹配时不需要回溯拼词，反而吃内存。
如果需求是“屏蔽到第 N 位”，比如“张三丰”掩码成“张**”，那就让 is_end 改成 int mask_len（-1 表示不屏蔽，0 表示全屏蔽，>0 表示掩码前 N 位），匹配到叶子时直接取这个值。
- 节点不要虚函数、不用
std::shared_ptr——构造后只读，裸指针 +std::unique_ptr构建阶段管理即可 - 用
std::vector<std::pair<char32_t, std::unique_ptr<TrieNode>>>替代std::unordered_map？只有当敏感词极少（std::unordered_map 查找 O(1)，更稳 - 静态构建后可做 flatten：把所有节点 malloc 到一块连续内存，用 offset 代替指针，进一步提升 cache 命中率——但调试困难，先跑通逻辑再说
如何把匹配结果高效映射回原始字节位置？
UTF-8 编码下，一个汉字占 3 字节，但 Trie 匹配的是 code point。要返回“从第 X 字节开始屏蔽 Y 字节”，就得在匹配过程中同步维护字节偏移。
做法是在遍历 std::vector<char32_t> 时，额外传入原始 std::string_view 和当前字节位置 byte_pos，每次 decode 一个 code point 后，用 utf8::next() 更新 byte_pos。匹配成功时，记录起始 byte_pos 和总字节数。
- 别在匹配结束后再用
utf8::distance()反查字节位置——O(N) 开销白费 - 如果要求“最长匹配优先”（如“中华人民”和“中华”同时存在，选前者），Trie 要支持路径上多个
is_end，匹配时不断更新最大长度，而不是遇到第一个就停 - 输出掩码字符串时，直接操作原始
std::string的字节区间，用std::fill()填'*'，别生成新 string 拼接——避免反复分配
真正难的不是建树，是 UTF-8 和 Unicode code point 之间的两次精确对齐，以及字节位置与逻辑字符的映射闭环。漏掉任意一环，中文就会乱码或错位屏蔽。
