1. 项目概述为什么我们需要在Spring Boot中处理敏感词在任何一个需要用户输入内容的现代Web应用中敏感词过滤都是一个绕不开的“安全门卫”。无论是社区论坛、即时通讯、电商评论还是内容发布平台放任未经处理的文本自由流动轻则影响社区氛围重则可能引发合规风险甚至导致服务被关停。我经历过不止一次因为初期忽视了这个环节导致凌晨被运营同事的电话叫醒紧急处理一批违规内容的窘境。所以这件事必须做而且要做好。Spring Boot作为Java领域最主流的应用开发框架其优雅的自动配置和丰富的生态为我们实现敏感词过滤提供了极大的便利。但“如何实现”却是一个值得深入探讨的话题。简单粗暴的字符串替换那性能和准确性都无法保障。上复杂的NLP模型对于大多数业务场景来说又显得杀鸡用牛刀且维护成本高昂。因此本文将聚焦于两种在Spring Boot中最实用、最经典的敏感词过滤实现方案基于Trie树的本地内存过滤和基于AC自动机的增强过滤。我不会空谈理论而是会结合我多年踩坑的经验从设计思路、核心实现到生产环境下的调优技巧手把手带你构建一个健壮、高效的过滤组件。无论你是刚接触Spring Boot的新手还是正在为现有系统寻找优化方案的老鸟相信都能从中找到可以直接“抄作业”的干货。2. 核心方案选型与设计思路拆解面对敏感词过滤我们首先要回答几个核心问题词库有多大过滤的实时性要求多高需要支持模糊匹配如拼音、形近字吗系统的吞吐量预期是多少回答这些问题决定了我们的技术选型。2.1 方案一基于Trie树的内存过滤这是最直观、也是最常用的入门方案。Trie树前缀树特别适合用于多模式字符串匹配。它的核心思想是利用字符串的公共前缀来减少查询时间可以一次性检测文本中是否包含多个敏感词。为什么选择Trie树初始化快查询更快词库在服务启动时加载到内存中构建成一棵树。查询时只需遍历一次待检测文本即可完成所有敏感词的匹配时间复杂度接近O(n)其中n是文本长度。内存占用相对可控对于中文敏感词库通常几万到几十万条构建的Trie树内存占用在几十MB到几百MB之间对于现代服务器来说完全可以接受。实现简单算法逻辑清晰自己动手实现一个基础版本并不复杂易于理解和调试。它的局限性在哪仅支持精确匹配传统的Trie树只能处理“苹果”匹配“苹果”对于“苹_果”、“苹果笑”这类变体无能为力。词库更新麻烦词库一旦加载进内存更新就需要重启服务或实现一套复杂的热更新机制可能造成服务短暂不可用或内存中存在多份数据。多模式匹配效率在匹配过程中需要对文本的每个字符作为起点进行一遍查询当文本很长时仍有优化空间。2.2 方案二基于AC自动机的增强过滤AC自动机Aho-Corasick automaton可以看作是Trie树的“威力加强版”。它在Trie树的基础上增加了失败指针fail pointer使得在匹配失败时不需要回溯到文本的开头重新匹配而是能够跳转到某个前缀相同的其他分支上继续匹配。为什么AC自动机更强大真正的单次扫描无论文本多长都只需要从头到尾扫描一遍就能找出所有出现的敏感词。其时间复杂度是O(n m)其中n是文本长度m是所有匹配到的敏感词长度总和效率比朴素Trie树更高。是Trie树的超集任何可以用Trie树实现的场景用AC自动机都能实现且通常效率更高。从架构上看升级到AC自动机的成本很低。那么为什么不直接都用AC自动机实现复杂度更高失败指针的构建和理解需要一定的数据结构基础。对于小词库、低并发场景优势不明显如果词库只有几千条两种方案的性能差异微乎其微此时Trie树的简单性就成了优势。我的选型心得 对于绝大多数中小型项目我建议直接从AC自动机开始。它的实现虽有门槛但一旦封装成组件后续使用和扩展都非常省心。网上也有许多成熟的开源实现如Hutool工具包中的WordTree实则是AC自动机。如果项目处于非常早期的原型阶段或者词库极小且变动频繁可以考虑先用简单的Trie树快速上线但同时要为未来切换到AC自动机留好接口。3. 核心细节解析与实操要点选定方案后我们深入看看实现过程中的核心细节。这里以功能更强大的AC自动机方案为主线进行解析并会指出Trie树方案的不同之处。3.1 敏感词库的设计与加载词库是过滤系统的基石。它的格式和加载方式直接影响系统的灵活性和可维护性。常见的词库格式文本文件每行一个敏感词。这是最简单的方式易于人工维护和版本控制。敏感词A 敏感词B 测试数据库表将敏感词存储在数据库如MySQL中。便于后台管理支持动态增删改查是实现热更新的基础。CREATE TABLE sensitive_word ( id BIGINT PRIMARY KEY AUTO_INCREMENT, word VARCHAR(100) NOT NULL COMMENT 敏感词, category VARCHAR(50) COMMENT 分类, level TINYINT COMMENT 敏感级别, is_deleted TINYINT DEFAULT 0 );配置中心在微服务架构下可以将词库文件放在Nacos、Apollo等配置中心实现所有服务实例的集中管理和实时推送。加载策略与优化启动加载在Spring Boot的PostConstruct方法或CommandLineRunner中加载词库构建AC自动机。确保服务准备好之前过滤功能就已就绪。异步加载如果词库很大超过百万同步加载可能阻塞应用启动。可以考虑使用Async异步加载或在新线程中加载加载完成前先使用一个空的或旧的过滤器并做好状态标记。双缓冲机制这是实现热更新的关键。维护两个AC自动机实例当前使用的current和正在构建的backup。当词库更新时在backup上构建新的自动机构建完成后通过原子引用如AtomicReference将current指向backup。这个过程对正在进行的过滤请求几乎无感。private final AtomicReferenceAhoCorasick currentMatcher new AtomicReference(); public void refreshWordLibrary(ListString newWords) { AhoCorasick newMatcher buildAhoCorasick(newWords); // 构建新的自动机 currentMatcher.set(newMatcher); // 原子切换 // 旧的自动机稍后由GC回收 }注意从数据库加载时务必做好缓存。不要每次过滤都去查数据库也不要频繁地重建整个自动机。通常采用“定期全量拉取变更事件触发”的策略来更新本地缓存。3.2 AC自动机节点的核心结构理解节点结构是理解整个算法的基础。一个典型的AC自动机节点包含以下信息public class AcNode { // 当前节点对应的字符 (对于根节点可以为空) private char c; // 子节点映射表 key是下一个字符 value是对应的子节点 private MapCharacter, AcNode children new HashMap(); // 失败指针匹配失败时跳转到的节点 private AcNode fail; // 如果此节点是某个敏感词的结尾则存储该敏感词的长度。 // 这里存储长度而非词本身是为了节省内存和方便后续替换操作。 private int wordLength 0; // 是否为敏感词结尾 (可以用 wordLength 0 判断此字段可省略) // private boolean isWordEnd; }关键点解析使用Map存储子节点相比使用固定大小的数组AcNode[65536]来应对所有Unicode字符HashMap在内存利用上更高效特别是当字符集分布稀疏时中文敏感词树通常很深但分支不多。失败指针fail这是AC自动机的灵魂。它指向的是当前节点匹配失败后应该去尝试继续匹配的节点。这个节点的路径是当前路径的后缀中最长的、且是其他词前缀的那条路径。存储wordLength在匹配到敏感词时我们通常需要将其替换为***。知道词的长度我们就能准确地定位文本中需要被替换的区间这比存储完整的词字符串更节省内存。3.3 失败指针的构建算法失败指针的构建是AC自动机实现中最精妙也最复杂的一环。它通过一层一层的广度优先搜索BFS来完成。算法步骤将根节点的所有直接子节点的失败指针指向根节点并加入队列。当队列不为空时取出队首节点current。遍历current节点的每一个子节点child a. 找到current节点的失败指针failNode。 b. 查看failNode的子节点中是否有和child字符相同的节点failChild。 c. 如果存在则将child的失败指针指向failChild。此外如果failChild是一个敏感词结尾那么child节点也需要继承这个属性因为failChild代表的词是child路径的后缀。这步很关键用于处理嵌套敏感词比如“苹果”和“果”。 d. 如果不存在则继续查看failNode的失败指针重复步骤b-c直到回溯到根节点。如果根节点也没有对应子节点则将child的失败指针指向根节点。 e. 将child节点加入队列。重复步骤2-3直到队列为空。这个过程确保了在任何节点匹配失败时都能快速跳转到当前已匹配路径的最长可能后缀所对应的节点继续匹配避免了回溯。4. 实操过程与核心环节实现接下来我们将在Spring Boot项目中实现一个完整的、基于AC自动机的敏感词过滤组件。我们将它设计成一个可插拔的SpringComponent。4.1 项目结构与依赖首先创建一个标准的Spring Boot项目。我们只需要基本的Web依赖即可AC自动机我们自己实现。!-- pom.xml -- dependencies dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-web/artifactId /dependency dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-validation/artifactId /dependency !-- 可选用于测试 -- dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-test/artifactId scopetest/scope /dependency /dependencies项目目录结构建议如下src/main/java/com/yourdomain/filter/ ├── SensitiveWordFilterApplication.java // 启动类 ├── config/ │ └── SensitiveProperties.java // 词库路径等配置 ├── core/ │ ├── model/ │ │ └── AcNode.java // AC自动机节点 │ ├── trie/ │ │ ├── AhoCorasick.java // AC自动机核心实现 │ │ └── Trie.java // 简易Trie树实现可选 │ └── SensitiveWordFilter.java // 过滤服务门面 ├── service/ │ └── SensitiveService.java // 业务层调用过滤 └── controller/ └── TestController.java // 测试接口4.2 AC自动机核心实现这是最核心的类包含了构建、匹配和替换的所有逻辑。package com.yourdomain.filter.core.trie; import com.yourdomain.filter.core.model.AcNode; import org.springframework.core.io.ClassPathResource; import org.springframework.util.StringUtils; import javax.annotation.PostConstruct; import java.io.BufferedReader; import java.io.InputStreamReader; import java.util.*; /** * AC自动机实现敏感词过滤 */ public class AhoCorasick { private AcNode root; private boolean isBuilt false; public AhoCorasick() { this.root new AcNode(); } /** * 插入一个敏感词到Trie树中 */ public void insert(String word) { if (!StringUtils.hasText(word)) { return; } AcNode current root; for (int i 0; i word.length(); i) { char c word.charAt(i); current current.getChildren().computeIfAbsent(c, key - new AcNode(c)); } // 在单词结尾节点标记长度 current.setWordLength(word.length()); } /** * 构建失败指针必须在所有词插入完成后调用 */ public void buildFailureLinks() { QueueAcNode queue new LinkedList(); // 第一层根节点的子节点的失败指针都指向根节点 for (AcNode child : root.getChildren().values()) { child.setFail(root); queue.offer(child); } // BFS构建剩余节点的失败指针 while (!queue.isEmpty()) { AcNode current queue.poll(); for (AcNode child : current.getChildren().values()) { AcNode failNode current.getFail(); // 不断回溯失败指针直到找到匹配的子节点或到达根节点 while (failNode ! null !failNode.getChildren().containsKey(child.getC())) { failNode failNode.getFail(); } if (failNode null) { child.setFail(root); } else { AcNode failChild failNode.getChildren().get(child.getC()); child.setFail(failChild); // 关键如果失败指针指向的节点是某个词的结尾当前节点也需要“继承”这个属性 // 这用于处理“苹果”和“果”这类嵌套词。 if (failChild.getWordLength() 0) { // 这里通常处理逻辑是如果当前节点本身不是结尾则标记。 // 但更常见的做法是在匹配过程中沿着失败指针链检查见match方法。 // 为简化我们不在构建时处理在匹配时处理。 } } queue.offer(child); } } isBuilt true; } /** * 匹配文本返回所有敏感词的起始位置和长度 * param text 待检测文本 * return 列表每个元素是一个二元组 [startIndex, wordLength] */ public Listint[] match(String text) { if (!isBuilt || !StringUtils.hasText(text)) { return Collections.emptyList(); } Listint[] results new ArrayList(); AcNode current root; for (int i 0; i text.length(); i) { char c text.charAt(i); // 如果当前节点没有对应子节点则通过失败指针跳转 while (current ! root !current.getChildren().containsKey(c)) { current current.getFail(); } // 跳转后查看是否有对应子节点 current current.getChildren().getOrDefault(c, root); // 检查当前节点及其失败链上的节点是否为敏感词结尾 AcNode temp current; while (temp ! root) { if (temp.getWordLength() 0) { // 找到一个敏感词起始位置 当前位置 - 词长 1 results.add(new int[]{i - temp.getWordLength() 1, temp.getWordLength()}); } temp temp.getFail(); } } return results; } /** * 过滤文本将敏感词替换为指定字符如* * param text 原始文本 * param replacement 替换字符默认为* * return 过滤后的文本 */ public String filter(String text, char replacement) { Listint[] matches match(text); if (matches.isEmpty()) { return text; } char[] chars text.toCharArray(); for (int[] match : matches) { int start match[0]; int length match[1]; for (int i start; i start length; i) { chars[i] replacement; } } return new String(chars); } public String filter(String text) { return filter(text, *); } }代码关键点解读buildFailureLinks()方法这是构建失败指针的BFS实现。注意在将子节点入队前已经为其设置好了失败指针。match()方法这是核心的匹配算法。注意内层的while (temp ! root)循环它沿着失败指针链向上查找确保能捕获到所有嵌套的、作为其他词后缀的敏感词例如“苹果”中的“果”。filter()方法先调用match()获取所有敏感词位置然后直接操作字符数组进行替换。这种方式比使用StringBuilder的replace方法在性能上更优尤其是当敏感词较多时。4.3 集成到Spring Boot配置与服务封装接下来我们将AC自动机包装成一个Spring Bean并支持从配置文件指定词库路径。4.3.1 定义配置属性package com.yourdomain.filter.config; import lombok.Data; import org.springframework.boot.context.properties.ConfigurationProperties; import org.springframework.stereotype.Component; Component ConfigurationProperties(prefix sensitive) Data public class SensitiveProperties { /** * 敏感词库文件路径默认在classpath:sensitive-words.txt */ private String wordFilePath sensitive-words.txt; /** * 是否启用敏感词过滤 */ private boolean enabled true; }在application.yml中配置sensitive: word-file-path: classpath:sensitive-words.txt enabled: true4.3.2 构建过滤服务门面这个类负责在应用启动时加载词库、构建自动机并提供对外的过滤API。package com.yourdomain.filter.core; import com.yourdomain.filter.config.SensitiveProperties; import com.yourdomain.filter.core.trie.AhoCorasick; import lombok.extern.slf4j.Slf4j; import org.springframework.core.io.ClassPathResource; import org.springframework.stereotype.Component; import org.springframework.util.StringUtils; import javax.annotation.PostConstruct; import java.io.BufferedReader; import java.io.InputStreamReader; import java.util.List; Component Slf4j public class SensitiveWordFilter { private final SensitiveProperties properties; private AhoCorasick ahoCorasick; public SensitiveWordFilter(SensitiveProperties properties) { this.properties properties; } PostConstruct public void init() { if (!properties.isEnabled()) { log.warn(敏感词过滤功能已禁用。); this.ahoCorasick null; return; } long start System.currentTimeMillis(); this.ahoCorasick new AhoCorasick(); try { ClassPathResource resource new ClassPathResource(properties.getWordFilePath()); if (!resource.exists()) { log.error(敏感词库文件未找到: {}, properties.getWordFilePath()); // 可以加载一个内置的默认空词库或抛出异常 return; } try (BufferedReader reader new BufferedReader(new InputStreamReader(resource.getInputStream()))) { String word; int count 0; while ((word reader.readLine()) ! null) { word word.trim(); if (StringUtils.hasText(word) !word.startsWith(#)) { // 支持用#注释 ahoCorasick.insert(word); count; } } ahoCorasick.buildFailureLinks(); log.info(敏感词过滤引擎初始化完成加载词条数: {} 耗时: {} ms, count, System.currentTimeMillis() - start); } } catch (Exception e) { log.error(初始化敏感词过滤引擎失败, e); this.ahoCorasick null; // 初始化失败禁用过滤 } } /** * 过滤文本中的敏感词 * param text 原始文本 * return 过滤后的文本 */ public String filter(String text) { if (!properties.isEnabled() || ahoCorasick null || !StringUtils.hasText(text)) { return text; } return ahoCorasick.filter(text); } /** * 检查文本是否包含敏感词 * param text 待检查文本 * return true 包含 false 不包含或未启用 */ public boolean containsSensitive(String text) { if (!properties.isEnabled() || ahoCorasick null || !StringUtils.hasText(text)) { return false; } Listint[] matches ahoCorasick.match(text); return matches ! null !matches.isEmpty(); } /** * 获取文本中所有敏感词及其位置用于审核等高阶需求 * param text 待检查文本 * return 匹配结果列表 */ public Listint[] match(String text) { if (!properties.isEnabled() || ahoCorasick null || !StringUtils.hasText(text)) { return Collections.emptyList(); } return ahoCorasick.match(text); } }4.3.3 创建业务层和控制器package com.yourdomain.filter.service; import com.yourdomain.filter.core.SensitiveWordFilter; import lombok.RequiredArgsConstructor; import org.springframework.stereotype.Service; Service RequiredArgsConstructor public class SensitiveService { private final SensitiveWordFilter filter; public String createComment(String content) { String filteredContent filter.filter(content); // 这里将过滤后的内容存入数据库 // commentRepository.save(new Comment(filteredContent)); return filteredContent; } public boolean validateContent(String content) { return !filter.containsSensitive(content); } }package com.yourdomain.filter.controller; import com.yourdomain.filter.service.SensitiveService; import lombok.RequiredArgsConstructor; import org.springframework.web.bind.annotation.*; RestController RequestMapping(/api/content) RequiredArgsConstructor public class TestController { private final SensitiveService sensitiveService; PostMapping(/comment) public String postComment(RequestBody String content) { String safeContent sensitiveService.createComment(content); return 发布成功 过滤后内容: safeContent; } GetMapping(/check) public String checkContent(RequestParam String text) { boolean isValid sensitiveService.validateContent(text); return isValid ? 内容安全 : 内容包含敏感信息; } }4.4 简易Trie树方案实现对比为了完整性这里给出一个简易Trie树过滤的实现以体现其与AC自动机的区别。package com.yourdomain.filter.core.trie; import java.util.HashMap; import java.util.Map; /** * 简易Trie树实现仅用于对比不支持失败指针 */ public class Trie { private TrieNode root; public Trie() { root new TrieNode(); } public void insert(String word) { TrieNode node root; for (char c : word.toCharArray()) { node.children.putIfAbsent(c, new TrieNode()); node node.children.get(c); } node.isEnd true; } public String filter(String text, char replacement) { if (text null || text.isEmpty()) return text; char[] chars text.toCharArray(); for (int i 0; i chars.length; i) { TrieNode node root; int j i; // 从位置i开始尝试匹配最长的敏感词 while (j chars.length node.children.containsKey(chars[j])) { node node.children.get(chars[j]); j; if (node.isEnd) { // 匹配到一个词替换从i到j-1的字符 for (int k i; k j; k) { chars[k] replacement; } i j - 1; // 跳过已替换部分继续外层循环 break; } } } return new String(chars); } static class TrieNode { MapCharacter, TrieNode children new HashMap(); boolean isEnd; } }与AC自动机的核心区别匹配逻辑Trie树在filter方法中对于文本的每个位置i都尝试从该位置开始逐字符向下匹配树。一旦失配就跳出内层循环从i1位置重新开始。这导致了大量的回溯和重复比较。无失败指针无法实现跳跃匹配效率低于AC自动机。5. 常见问题与排查技巧实录在实际开发和运维中敏感词过滤组件会遇到各种各样的问题。下面是我总结的一些典型场景和解决方案。5.1 性能问题过滤速度突然变慢现象接口响应时间变长CPU使用率升高排查发现时间主要消耗在sensitiveWordFilter.filter()方法上。排查思路与解决检查输入文本长度是否有用户提交了超长文本如一篇完整的文章AC自动机的时间复杂度虽然是O(n)但当n极大时例如超过10万字符单次过滤耗时也会很可观。解决方案在过滤前对输入文本长度做限制。例如评论不得超过500字文章正文可以分段过滤。检查词库大小是否在运营后台不小心导入了一个巨大的词库文件例如包含所有成语的词典词库过大会导致内存中的Trie树/AC自动机节点数暴增不仅占用内存也会稍微降低匹配速度因为每个字符查找子节点的Map操作耗时增加。解决方案定期审计词库移除无效、过时的词汇。对于确实需要海量词库的场景考虑使用布隆过滤器Bloom Filter进行前置粗筛快速排除绝对不包含敏感词的文本再走AC自动机精确匹配。检查GC情况频繁的filter方法调用是否产生了大量临时对象如Listint[]、char[]解决方案考虑使用对象池或线程局部变量ThreadLocal来复用一些中间数据结构减少GC压力。对于match方法返回的列表如果只是做布尔判断是否包含可以修改为在匹配过程中直接返回true避免构建完整列表。5.2 内存问题服务内存占用过高现象服务运行一段时间后堆内存持续增长甚至发生OOM。排查与解决词库内存泄漏这是最常见的原因。确保AC自动机实例是单例的并且只在初始化时加载一次。如果实现了热更新要确保旧版本的自动机能被正确回收。检查双缓冲切换的代码确保AtomicReference的赋值操作能解除对旧对象的引用。节点数据结构优化我们之前用HashMapCharacter, AcNode存储子节点。对于节点数极多的情况可以尝试使用更紧凑的数据结构如SparseArrayAndroid风格或者对于纯中文词库使用AcNode[] next new AcNode[65536]牺牲空间换时间。但不要过早优化先用HashMap在真实性能测试证明其是瓶颈后再考虑更换。敏感词本身存储我们在节点中只存储了wordLength。如果业务需要知道具体是哪个词被匹配例如审核日志就需要存储词本身。这时不要在每个结尾节点都存一个String而是存储一个指向词表索引的int id将完整的词存在一个单独的ListString中可以节省大量内存。5.3 功能问题该过滤的没过滤不该过滤的误杀了现象用户反馈“敏感词漏过滤”或“正常词汇被屏蔽”。排查与解决编码问题确保读取词库文件和接收用户输入时字符编码一致强烈建议统一使用UTF-8。一个中文词在GBK和UTF-8下字节表示不同。大小写与全半角我们的基础实现是区分大小写和全半角的。“Apple”和“apple”会被视为不同的词。解决方案在插入词库和匹配前对文本进行标准化处理。例如统一转为小写将全角字符转为半角。public String normalize(String input) { if (input null) return null; // 全角转半角大写转小写 char[] chars input.toCharArray(); for (int i 0; i chars.length; i) { if (chars[i] ) { chars[i] ; // 全角空格转半角 } else if (chars[i] chars[i] ) { chars[i] (char)(chars[i] - A); } else if (chars[i] chars[i] ) { chars[i] (char)(chars[i] - a); } // 还可以处理数字等 } return new String(chars).toLowerCase(); // 最后统一小写 }在insert和match/filter前都对字符串调用此方法。模糊匹配需求用户会用“苹*果”、“苹-果”来绕过。基础实现无法处理。解决方案这属于更高级的对抗。可以在标准化阶段移除或统一替换掉文本中的干扰符号如*,-,_, 再进行匹配。但要注意这可能会误伤正常使用这些符号的文本如代码片段。通常需要结合业务场景权衡。词库更新延迟新加的敏感词没有立刻生效。解决方案实现可靠的热更新机制并确保所有应用实例都能收到更新通知如通过配置中心、消息队列或定时拉取。5.4 生产环境部署建议监控与告警为过滤服务添加关键指标监控如过滤请求量、平均过滤耗时、敏感词命中率、词库大小、JVM内存使用情况特别是存放自动机的老年代。设置合理的告警阈值。降级策略在SensitiveWordFilter的init和filter方法中我们已经做了基本的降级如初始化失败则ahoCorasicknull过滤时直接返回原文本。在生产环境中可以考虑更细粒度的降级例如当过滤耗时超过100ms时记录告警日志并跳过本次过滤或返回“内容待审核”状态。测试用例编写完善的单元测试和集成测试覆盖以下场景空文本、null值处理。精确匹配、重叠词匹配“苹果手机”中包含“苹果”和“果手”。长文本性能测试。词库加载失败时的行为。热更新功能测试。词库管理后台开发一个简单的管理后台允许运营人员安全地添加、删除、查询敏感词并查看操作日志。这是保证过滤系统持续有效的运营保障。通过以上从原理到实现再到问题排查的完整梳理一个基于Spring Boot的、生产级可用的敏感词过滤组件就构建完成了。它不再是黑盒你可以清晰地掌控其每一个环节并能根据自己业务的特殊需求进行定制和优化。记住没有一劳永逸的方案只有与业务共同演进的技术组件。
