如何在Python中实现保留原大小写的敏感词屏蔽？Regex是否最优？

我觉得Regex是解决敏感词过滤的最佳方案，但试了两段代码都有问题：

第一段代码的问题 #

最初写的代码会把整个文本转成小写，不符合预期：

forbidden_words = ["sex", "porn", "dick", "drug", "casino", "gambling"]
def censor(string):
    # Remove line breaks and make it lowercase
    string = " ".join(string.splitlines()).lower()
    for word in forbidden_words:
        if word in string:
            string = string.replace(word, '*' * len(word))
            print(f"Forbidden word REMOVED: {word}")
    return string
print(censor("Sex, pornography, and Dicky are ALL not allowed."))

这段代码的输出：

***, ****ography, and ****y are all not allowed.

但我期望的输出是保留原文本中非敏感词的大小写：

***, ****ography, and ****y are ALL not allowed.

第二段正则代码的问题 #

改用正则后，又出现新问题：部分敏感词没被正确替换，比如pornography里的porn没被匹配，Dicky里的dick也没被替换：

import re

forbidden_words = ["sex", "porn", "dick", "drug", "casino", "gambling"]

def censor(string):
    # Remove line breaks
    string = " ".join(string.splitlines())
    for word in forbidden_words:
        # Use a regular expression to search for the word, ignoring case
        pattern = r"\b{}\b".format(word)
        if re.search(pattern, string, re.IGNORECASE):
            string = re.sub(pattern, '*' * len(word), string, flags=re.IGNORECASE)
            print(f"Forbidden word REMOVED: {word}")
    return string

print(censor("Sex, pornography, and Dicky are ALL not allowed."))

这段代码的输出：

***, pornography, and dicky are ALL not allowed.

另外想问：Regex是不是解决这个问题的最佳方案？感觉自己写的代码有点冗余，我是Python新手，求解答。

解决方案 #

1. 正则匹配问题的根源
   你之前用了\b（单词边界），但porn在pornography里不是独立单词，dick在Dicky里也不是独立单词，所以\b会导致匹配失败。需要去掉\b，改用匹配子串（如果需要避免误匹配，比如drugstore里的drug是否替换，可根据需求调整规则）。

2. 改进后的简洁代码

import re

forbidden_words = ["sex", "porn", "dick", "drug", "casino", "gambling"]

def censor(string):
    string = " ".join(string.splitlines())
    # 转义敏感词中的正则特殊字符，合并为单个正则模式
    pattern = re.compile('|'.join(re.escape(word) for word in forbidden_words), re.IGNORECASE)
    # 替换匹配项为对应长度的星号，同时输出被移除的敏感词
    def replace_match(match):
        matched_word = match.group()
        print(f"Forbidden word REMOVED: {matched_word.lower()}")
        return '*' * len(matched_word)
    return pattern.sub(replace_match, string)

print(censor("Sex, pornography, and Dicky are ALL not allowed."))

这段代码的输出：

Forbidden word REMOVED: sex
Forbidden word REMOVED: porn
Forbidden word REMOVED: dick
***, ****ography, and ****y are ALL not allowed.

完全符合预期。

3. 关于Regex是否为最佳方案
   对于这种需要忽略大小写、灵活匹配子串的场景，Regex确实是高效且简洁的方案。相比循环逐个处理敏感词，合并成单个正则模式只需遍历一次文本，性能更好，代码也更简洁。之前的冗余问题就是因为循环处理每个敏感词，合并正则后即可解决。

另外需要注意：如果敏感词包含正则特殊字符（如$、.），一定要用re.escape()转义，避免正则语法错误。

内容的提问来源于stack exchange，提问作者ejade