如何优化满足边界匹配、白名单优先规则的黑名单文本替换实现

• 边界规则完全缺失：当前用String.replace做全局子串匹配，没有校验匹配项前后是否符合空格、标点、首尾的边界要求。比如黑名单包含panter时，文本里的panter123这种带其他字符的无边界内容，也会被错误替换。
• 占位符存在冲突隐患：如果原文本本身就包含####1这类自定义占位符，替换过程会出现错位，把普通文本误当成占位符还原，引发逻辑错误。
• 匹配优先级混乱：循环替换没有按字符串长度做降序排序，短词会优先截断长词。比如黑名单同时包含is和island时，is会先把island里的前两个字替换掉，导致长词根本匹配不上。
• 白名单容易匹配失败：循环替换白名单时，如果子串长度更短的条目先被替换成占位符，更长的白名单整串就会被拆碎，无法命中规则。比如白名单包含pink panter时，若子串pink先被替换为占位符，整串pink panter就会失效。

核心思路是用单次正则扫描替代多次全量replace循环，不需要占位符中转，从根源解决匹配逻辑问题。

实现逻辑 #

1. 提前对所有白名单、黑名单条目按字符串长度降序排序，保证最长匹配优先，避免短词截断长词。
2. 给黑名单匹配项绑定严格的边界校验，用正则零宽环视实现前后边界判断，不需要手动遍历字符位置。
3. 构建统一的双优先级匹配规则：最高优先级命中白名单时直接保留原内容，次优先级命中带边界的黑名单时替换为*。
4. 单次扫描完整文本，边匹配边构建最终结果，全程无中转替换环节。

参考实现代码 #

public String enhenceText(String input, List<String> whiteLabelded, List<String> blackLabelded) {
    // 按长度降序排序，保证最长匹配优先
    Comparator<String> lengthDesc = Comparator.comparingInt(String::length).reversed();
    List<String> sortedWhite = whiteLabelded.stream().sorted(lengthDesc).toList();
    List<String> sortedBlack = blackLabelded.stream().sorted(lengthDesc).toList();

    // 转义所有待匹配字符串的正则特殊字符，避免正则语法错误
    String whiteRegexPart = sortedWhite.stream()
            .map(Pattern::quote)
            .collect(Collectors.joining("|", "(", ")?|"));
    // 黑名单匹配：零宽环视校验前后边界
    // 边界规则：前面是文本开头、空格、逗号、句号；后面是文本结尾、空格、逗号、句号
    String blackRegexPart = sortedBlack.stream()
            .map(Pattern::quote)
            .map(word -> "(?<=^|[\\s,.])" + word + "(?=$|[\\s,.])")
            .collect(Collectors.joining("|"));

    Pattern fullPattern = Pattern.compile(whiteRegexPart + blackRegexPart);
    Matcher matcher = fullPattern.matcher(input);
    StringBuffer result = new StringBuffer();

    while (matcher.find()) {
        // 匹配到白名单时保留原内容，匹配到黑名单时替换为*
        if (matcher.group(1) != null) {
            matcher.appendReplacement(result, Matcher.quoteReplacement(matcher.group()));
        } else {
            matcher.appendReplacement(result, "*");
        }
    }
    matcher.appendTail(result);
    return result.toString();
}

方案优势 #

• 严格匹配边界规则：完全不会误替换无边界的子串，符合需求的边界判定要求。
• 无冲突风险：全程在原文本上做匹配，不需要生成额外占位符，不会出现占位符和原文本内容重合的问题。
• 匹配逻辑稳定：通过长度排序保证最长匹配优先，不会出现短词截断长词、白名单被拆碎的问题。
• 性能更高：原实现需要遍历白名单、黑名单分别做全量文本扫描，时间复杂度是（白名单长度+黑名单长度）* 文本长度；单次正则扫描的时间复杂度仅为O(文本长度)，文本量越大性能优势越明显。

内容的提问来源于stack exchange，提问作者Akif Hadziabdic