默识

阻挡垃圾评论的杀手锏:正则表达式

　　最近在 搜索引擎研究 上看到了一篇关于利用正则表达式阻挡垃圾评论的文章，很受启发，于是很快把正则表达式学起来，在博客南开的后台增加了一条很酷的垃圾信息过滤规则（主要是阻挡纯英文垃圾评论，中文的垃圾评论还需进一步研究）。

　　垃圾评论一直是博客服务商和用户最头痛的问题，尤其是我们这种中小博客网站，服务器资源和技术人员都很有限，垃圾评论对我们来说就像是农田里的蝗虫，眼看着精心架设的博客服务被这些该死的寄生虫污染，又无法对用户解释——博客用户没有必要了解网站建设的技术知识，也不会对垃圾评论治理所耗费的精力有多少感性认识。但我们必须每个几天花数个小时专门删除垃圾评论信息，同时还需要将频繁出现的垃圾关键词添加到过滤列表。

　　而掌握了正则表达式以后，处理起来就方便多了。正则表达式的能力非常强，不但可以对常见的垃圾关键词进行屏蔽，还可以对评论内容的整体模式进行描述，比如说多数纯英文评论内容在正则表达式中可以用 /^[a-zA-z0-9]+$/ 进行匹配，其中 ^ 表示起始处含有英文，$ 表示结尾出含有英文，总起来说就是通篇都是英文内容。这在中文博客读者中是极其少见的，而英文内容的垃圾评论则几乎全部是这种模式，所以上面这简单的一串字符就将他们咔咔了。虽然这样有些歧视外国阅读者，但还是可作为权宜之计。况且并非所有含英文评论都会被当作垃圾信息处理，只要不是机器人，能够看到评论页面的提示信息就完全可以正常评论。

　　当然真正的垃圾信息过滤远没有这么简单，只是因为目前我们的网站并不热门，大的热门网站可能受世界各国到各种各样垃圾信息的侵扰，那时候就得利用基于统计的垃圾评论过滤了。

本文引用地址(Trackback URL)