C＃ - 在另一个字符串中查找一组字符串之一的最快方法

Question

我需要检查字符串是否包含任何脏话。

根据另一个问题的建议，我制作了一个包含单词的HashSet：

HashSet<string> swearWords = new HashSet<string>() { "word_one", "word_two", "etc" };

现在我需要查看swearWords中包含的任何值是否在我的字符串中。

我已经看到它反过来了，例如：

swearWords.Contains(myString)

但这会返回错误。

检查HashSet中的任何单词是否在myString中的最快方法是什么？

注意：我想我可以使用foreach循环依次检查每个单词，如果找到匹配则中断，我只是想知道是否有更快的方法。

Answer 1

如果您将发誓放在IEnumerable＆lt;＆gt;中实施容器：

var containsSwears = swarWords.Any(w => myString.Contains(w));

注意：HashSet＆lt;＆gt;实现IEnumerable＆lt;＆gt;

Answer 2

你可以试试一个正则表达式，但我不确定它是否更快。

Regex rx = new Regex("(" + string.Join("|", swearWords) + ")");
rx.IsMatch(myString)

Answer 3

如果您有大量的咒骂词，您可以使用Aho-Corasick算法：http://tomasp.net/blog/ahocorasick.aspx

Answer 4

此类方案的主要问题是定义您要检查的字符串上下文中的单词。

• 使用input.Contains的天真实现根本就没有单词的概念;他们会＆＃34;检测＆＃34;即使这不是意图，也要发誓。
• 在空格上打破单词不会削减它（也可以考虑标点符号等）。
• 打破空格以外的字符会引发文化问题：哪些字符被认为是单词字符？

假设您的禁用词列表仅使用拉丁字母，实际的选择是假设单词是仅由拉丁字符组成的序列。因此合理的起始解决方案将是

var words = Regex.Split(@"[^\p{Ll}\p{Lu}\p{Lt}\p{Lo}\p{Pc}\p{Lm}]", myString);

上面的正则表达式是修改为不包含数字的标准类\W;有关详细信息，请参阅http://msdn.microsoft.com/en-us/library/20bw873z.aspx。对于其他方法，请参阅this question以及可能接受的答案中提供的CodeProject链接。

分割输入字符串后，您可以迭代words并替换与列表中的任何内容匹配的内容（使用swearWords.Contains(word)进行检查）或者只是检测是否存在任何匹配

var anySwearWords = words.Intersect(swearWords).Any();

Answer 5

您可以将“myString”拆分为IEnumerable类型，然后对它们使用“Overlaps”吗？

http://msdn.microsoft.com/en-us/library/bb355623(v=vs.90).aspx

（P.S。好久不见......）

编辑：刚刚在我之前的回答中发现错误。