我需要帮助来过滤C语言中的坏词？

Question

如您所见，我正在尝试过滤各种不良词。我有一些代码可以这样做。我正在使用C，这也适用于GTK应用程序。

char LowerEnteredUsername[EnteredUsernameLen];
for(unsigned int i = 0; i < EnteredUsernameLen; i++) {
    LowerEnteredUsername[i] = tolower(EnteredUsername[i]);
}
LowerEnteredUsername[EnteredUsernameLen+1] = '\0';
if (strstr(LowerEnteredUsername, (char[]){LetterF, LetterU, LetterC, LetterK})||strstr(LowerEnteredUsername, (char[]){LetterF, LetterC, LetterU, LetterK})) {
    gtk_message_dialog_set_markup((GtkMessageDialog*)Dialog, "This username seems to be innapropriate.");
    UsernameErr = 1;
}

我的问题是，它只会过滤if语句中指定的最后一个坏词。在此示例中，为“ fcuk”。如果我输入“ fuck”，则代码会将其作为干净代码传递。我该如何解决？

Answer 1

[在C语言中进行人工语言文本处理非常痛苦，因为C的字符串概念（即char* / char[]和wchar_t* / wchar_t[]）非常低级，不足以表达[代表Unicode文本，更不用说在文本中定位单词边界并匹配已知字典中的单词了（还应考虑到词尾变化，偏斜，复数，使用变音符号来避免幼稚的字符串匹配）。简而言之：如果需要，请避免在C中执行此操作，然后使用健壮且功能齐全的Unicode处理库（即，不要使用C标准库的字符串函数，例如strstr，strtok，strlen，等等。

这是我的处理方式：

将输入读入包含Unicode文本（大概是UTF-8）的二进制Blob。
1. 使用Unicode库执行以下操作：
2. 标准化编码的Unicode文本数据（请参见https://en.wikipedia.org/wiki/Unicode_equivalence]
3. 确定单词边界（假设我们正在处理使用由单词组成的句子的欧洲语言）。
4. 使用语言学图书馆和数据库（英语中有很多特殊情况）来规范化每个单词。
5. 然后在不区分大小写的已知“坏词”哈希集中查找每个词。