17370845950

本文详解如何使用 `commands.cog.listener()` 实现精准的服务器级敏感词过滤，修复原始代码中因字符串误解析、逻辑短路和匹配方式错误导致的误删/漏删问题，并提供性能优化与健壮性增强方案。

在 Discord Bot 开发中，利用 @commands.Cog.listener() 监听 on_message 事件实现敏感词过滤是常见需求，但若处理不当，极易引发误删合法消息（如输入 "noob" 却被删除）或漏检目标词汇（如 "mouse" 未触发）。根本原因在于原始代码存在三处关键缺陷：

1. 错误解析 bwl 列表：通过 str(i) for i in bwl + 字符串替换（replace('[', '')）将列表强行转为字符串再拆分，导致 'cat', 'dog' 变成字符级迭代（如 'c', 'a', 't', ' '），使任意单字符（包括空格、标点）都可能命中；
2. 逻辑短路失效：for word in ...: if word in message.content: ... else: return 导致只要第一个词不匹配就立即退出，后续词完全不检查；
3. 匹配粒度粗暴：使用 word in message.content 是子串匹配（"cat" 会匹配 "education"），且未做大小写/标点归一化。

✅ 正确做法是：将敏感词存为集合（set），对消息内容分词后逐词精确匹配。以下是优化后的完整实现：

@commands.Cog.listener()
async def on_message(self, message):
    # 忽略机器人消息，避免自循环
    if message.author.bot:
        return

    # ✅ 从缓存或数据库获取本服务器敏感词列表（建议提前加载，避免每次请求IO）
    bwl = GetWF(message.guild.id)  # 假设返回 ['cat', 'dog', 'mouse']
    if not bwl:  # None 或空列表
        await self.bot.process_commands(message)
        return

    # ✅ 预处理：转为小写 set，提升查找效率（O(1)）并统一大小写
    banned_set = {word.strip().lower() for word in bwl if isinstance(word, str)}

    # ✅ 分词 + 精确匹配：检查消息中是否有完整单词属于敏感词集
    words_in_msg = [w.strip('.,!?;:"()[]{}') for w in message.content.split()]
    words_lower = [w.lower() for w in words_in_msg]

    if any(word in banned_set for word in words_lower):
        try:
            await message.delete()
            await message.channel.send(f"`HEY {message.author.name}!\nThat word is banned!`")
        except discord.Forbidden:
            # 权限不足时静默处理（可选日志）
            pass
        except Exception as e:
            # 记录异常而非忽略（调试必备）
            print(f"[BWL Filter Error] {e}")

    # ✅ 必须调用此行，否则命令无法被识别
    await self.bot.process_commands(message)

? 关键改进说明：

• banned_set 使用 set 而非 list：in 操作时间复杂度从 O(n) 降至

  

  O(1)，尤其当敏感词量大时性能显著提升；
• 分词清洗：strip('.,!?;:"()[]{}') 移除常见标点，解决 "mouse!" 匹配失败问题；
• any(...) 替代循环+return：确保遍历全部单词，避免逻辑中断；
• 显式异常处理：区分 discord.Forbidden（权限问题）与其他异常，便于定位真实故障。

⚠️ 重要注意事项：

• 性能陷阱：GetWF(message.guild.id) 若涉及数据库查询或网络请求，切勿在 on_message 中实时调用！应改为启动时预加载到内存字典（如 self.banned_words = {}），或使用 LRU 缓存（@lru_cache）；
• 匹配局限性：当前方案仅支持完整单词匹配。若需支持模糊匹配（如 "dogs" → "dog"）、词干提取或正则规则，需引入 nltk 或自定义规则引擎，建议另起专题深入；
• 权限校验：确保 Bot 在目标频道拥有 Manage Messages 权限，否则 message.delete() 会抛出 Forbidden 异常。

通过以上重构，你的敏感词过滤将真正实现「只删含禁词的消息，其余一律放行」，兼顾准确性、性能与可维护性。