本文介绍如何在 Java 中高效检测文本字段是否包含来自黑名单（如商标库）的单个词汇或连续词组，通过流式处理结合字符串包含判断，兼顾性能与可读性，并给出可直接落地的代码示例与关键注意事项。
本文介绍如何在 Java 中高效检测文本字段是否包含来自黑名单（如商标库）的单个词汇或连续词组，通过流式处理结合字符串包含判断，兼顾性能与可读性，并给出可直接落地的代码示例与关键注意事项。
在实际业务场景中（例如内容审核、品牌合规检查），我们常需判断一段自由文本（如 words.keyword）是否隐含敏感词或注册商标——这些敏感词不仅包括单个单词（如 "ibm"），也可能为固定搭配的短语（如 "while swam"）。此时，简单的 List.contains() 完全失效，因为它是精确全匹配；而基于子串的模糊匹配（String.indexOf() 或 String.contains()）才是正确路径。
以下是一个专业、简洁且可扩展的 Java 实现方案：
✅ 核心逻辑：双重流式匹配
使用嵌套 Stream：外层遍历待检测文本（ProcessedWords），内层遍历黑名单项（BlacklistedWords），只要任一黑名单项（trademark）作为子串出现在当前文本中，即视为命中。
立即学习“Java免费学习笔记（深入）”；
List<ProcessedWords> detected = processedWordsService.findAll().stream()
.filter(word -> blacklistedWordsService.findAll().stream()
.anyMatch(blacklist -> word.getKeyword() != null &&
word.getKeyword().contains(blacklist.getTrademark())))
.collect(Collectors.toList());? 注意：blacklist.getTrademark() 对应数据库 trademarks.trademark 字段（非 keyword），请确保实体类字段命名准确。示例中 BlacklistedWords 实体应映射 trademarks 表，其核心字段为 trademark: String。
✅ 完整可运行示例（含模拟数据）
public class TrademarkMatcher {
public static void main(String[] args) {
// 模拟数据库查询结果（生产环境替换为真实 Service 调用）
List<BlacklistedWords> trademarks = Arrays.asList(
new BlacklistedWords(1L, "while swam"),
new BlacklistedWords(2L, "ibm"),
new BlacklistedWords(3L, "bmw")
);
List<ProcessedWords> candidates = Arrays.asList(
new ProcessedWords(1L, "while swam is interesting"),
new ProcessedWords(2L, "ibm is a company like bmw"),
new ProcessedWords(3L, "this is clean text")
);
List<ProcessedWords> matches = candidates.stream()
.filter(candidate -> trademarks.stream()
.anyMatch(tm -> candidate.getKeyword() != null &&
candidate.getKeyword().contains(tm.getTrademark())))
.collect(Collectors.toList());
System.out.println("Detected matches:");
matches.forEach(System.out::println);
// 输出：
// ProcessedWords(id=1, keyword=while swam is interesting)
// ProcessedWords(id=2, keyword=ibm is a company like bmw)
}
}⚠️ 关键注意事项
- 空值防护：务必检查 candidate.getKeyword() 是否为 null，避免 NullPointerException；
-
大小写敏感：String.contains() 区分大小写。若需忽略大小写，改用：
candidate.getKeyword().toLowerCase().contains(tm.getTrademark().toLowerCase())
（更推荐预处理：将黑名单与文本统一转小写后缓存，避免重复计算）
-
性能优化建议：
- 黑名单量大（数千+）时，避免每次匹配都查库 → 使用 @Cacheable 缓存 blacklistedWordsService.findAll() 结果；
- 如需支持正则或词边界匹配（如防止 "ibm" 匹配 "ibmz"），应改用 Pattern + Matcher，但会显著增加开销；
- SQL 层替代方案（补充）：PostgreSQL 可用 ILIKE 或全文检索（to_tsvector/to_tsquery），但短语匹配仍推荐应用层处理，逻辑更可控、调试更直观。
✅ 总结
该方案以最小侵入性实现“关键词 + 词组”两级模糊匹配，代码简洁、语义清晰、易于单元测试。它不依赖外部工具或复杂算法，适用于中低频实时检测场景。后续可平滑升级为基于 Aho-Corasick 自动机的高性能多模式匹配，但对多数合规筛查需求而言，当前流式子串匹配已是高性价比首选。
