网站广告内容的批量过滤，不管你是要清理历史文章里的垃圾外链、删除评论区的推广信息、还是做内容合规审核，本质上只有三条路：用正则表达式和SQL批量清洗数据库里的存量内容，接入专业内容审核API做发布前的实时拦截，或者用Python脚本把两者结合起来实现全自动扫描。选哪条路不取决于哪条更高级，取决于你要过滤的是存量内容还是增量内容、是广告代码还是广告文字、以及你的网站有多少篇文章。
网站里常见的"广告内容"，分四种类型：
第一类 嵌入式广告代码：文章正文里夹带的Google AdSense代码、联盟链接、广告位div、追踪脚本。
第二类 广告文字和链接："加微信xxx""点击购买""限时优惠""联系QQ"等推广文案和外链。
第三类 评论区和用户生成内容中的广告：机器批量发布的垃圾评论、带链接的用户昵称、灌水推广。
第四类 广告法违禁词："最好""第一""全网首发""国家级""顶级"等极限词和虚假宣传用语。
数据库正则清洗：存量内容批量去广告
如果你的网站已经运营了一段时间，几百几千篇文章里夹杂着各种广告代码和外链，最直接的方式是用正则表达式直接清洗数据库。WordPress的文章内容存在wp_posts表的post_content字段，一条SQL配合正则就能批量清理。
常见广告代码的正则清洗SQL：
-- 1. 清除Google AdSense广告代码块-- AdSense代码通常以 <script async src="//pagead2.googlesyndication.com 开头UPDATE wp_postsSET post_content = REGEXP_REPLACE(post_content,'<script[^>]*pagead2\\.googlesyndication\\.com[^<]*</script>','') WHERE post_content REGEXP 'pagead2\\.googlesyndication\\.com';-- 2. 清除所有带有"ad"、"banner"、"sponsor"类名的divUPDATE wp_postsSET post_content = REGEXP_REPLACE(post_content,'<div[^>]*class="[^"]*(?:ad|banner|sponsor|advert|promotion)[^"]*"[^>]*>.*?</div>','') WHERE post_content REGEXP 'class="[^"]*(?:ad|banner|sponsor)';-- 3. 清除affiliate/联盟营销链接（如Amazon、淘宝客）UPDATE wp_postsSET post_content = REGEXP_REPLACE(post_content,'<a[^>]*href="[^"]*(?:amazon\\.|taobao\\.|tmall\\.|jd\\.|s\\.click\\.|alimama\\.)[^"]*"[^>]*>.*?</a>','') WHERE post_content REGEXP 'amazon\\.|taobao\\.|alimama\\.';-- 4. 清除文章中的微信号、QQ号等联系方式UPDATE wp_postsSET post_content = REGEXP_REPLACE(post_content,'(微信|WeChat|WX|wx)[：:\\s]*[a-zA-Z0-9_-]{6,20}','') WHERE post_content REGEXP '(微信|WeChat|WX|wx)[：:\\s]*[a-zA-Z0-9_-]';-- 5. 清除"加微信""扫码咨询""联系客服"等推广短句UPDATE wp_postsSET post_content = REGEXP_REPLACE(post_content,'(加微信|扫码咨询|联系客服|点击购买|立即下单|限时优惠|免费领取|名额有限)[。！!，,]?','') WHERE post_content REGEXP '加微信|扫码咨询|限时优惠|免费领取';操作数据库前务必先备份。正则清洗是不可逆操作。用phpMyAdmin导出整个数据库做备份，或者用命令行 mysqldump -u root -p 数据库名 > backup.sql。建议先在测试环境跑一遍SQL，确认清洗结果后再上生产环境。如果用的是MySQL 5.7及以下版本，没有REGEXP_REPLACE函数，可以用Better Search Replace插件替代。
WordPress专用插件方案：
不想直接操作SQL的话，WordPress有更安全的替代工具：
- Better Search Replace：支持正则表达式搜索替换，操作前自动模拟运行显示影响行数，支持序列化数据处理（WordPress的options表和postmeta表使用序列化存储，直接SQL替换可能破坏数据结构，这个插件会自动处理）
- Search Regex：纯正则表达式批量替换插件，可以预览匹配结果再执行，适合复杂的正则清洗
- WP-CLI search-replace：命令行工具，适合服务器端批量操作，速度比Web界面快，支持--regex参数做正则替换
内容审核API：增量内容的实时拦截
正则清洗解决的是存量问题，如果网站持续有新内容发布（用户投稿、评论、论坛发帖），需要在发布环节就拦截广告和违规内容。专业的内容审核API就是干这个的。
| 工具/平台 | 审核维度 | 核心优势 | 价格模式 | 适合场景 |
|---|---|---|---|---|
| 网易易盾 | 文本/图片/音频/视频 | 毫秒级响应（<100ms），自动化拦截率>95%，误判率<0.1%，支持高并发 | 按量付费，有免费额度 | 高并发内容平台、社交网站 |
| 百度内容审核 | 文本/图片/短视频 | 拼音谐音拆字形近字变体识别，40万+敏感人物库，自定义黑白名单 | 按量付费，新用户有免费额度 | 百度生态内网站、小程序 |
| 阿里云内容安全 | 文本/图片/视频/语音/直播 | 多模态覆盖，广告法违禁词专项检测，电商场景优化 | 按量付费，每日有免费额度 | 电商平台、直播平台 |
| ToolGood | 文本/文件（TXT/HTML/Markdown） | 内置词库+NLP减少误判，支持本地部署，适合隐私敏感场景 | 有免费版，付费版可本地部署 | 不想把内容发到第三方服务器的场景 |
| 知道创宇ScanA | 文本/图片/音频/视频/网页内链外链 | 机审+人审双重机制，百万级敏感词库，支持离线检测 | 按需报价 | 政企客户、合规要求极高的网站 |
这些API的使用方式大同小异：注册账号获取AppKey→调用REST API发送待审核文本→接收返回的审核结果（通过/拒绝/疑似）。以百度内容审核API为例：
import requestsimport jsondef check_content(text):"""调用百度内容审核API检测广告和违禁内容"""url = "https://aip.baidubce.com/rest/2.0/solution/v1/text_censor/v2/user_defined"# 需要先获取access_token（略）params = {"access_token": "你的token"}payload = {"text": text}resp = requests.post(url, params=params, data=payload)result = resp.json()# conclusionType: 1=合规 2=不合规 3=疑似if result.get("conclusionType") == 2:# 提取违规详情for item in result.get("data", []):print(f"违规类型: {item.get('typeName')}, 内容: {item.get('msg')}")return "block"elif result.get("conclusionType") == 3:print("疑似违规，建议人工审核")return "review"else:return "pass"# 使用示例content = "全网最好的SEO工具，点击购买限时优惠，加微信xxx"result = check_content(content)print(f"审核结果: {result}")API方案的优点是准确率高、能识别变体和伪装（比如用拼音、谐音、拆字绕过关键词匹配）、持续更新敏感词库。缺点是按量付费，量大时成本不低，而且每次调用都有网络延迟。
自建过滤脚本：一次开发，长期复用
如果不想长期付API费用，或者过滤需求相对固定（比如只过滤特定模式的广告链接和极限词），自己写一个Python脚本是成本最低的方案。核心思路是：
第一步，定义过滤规则。建立一个包含正则模式、关键词、黑名单域名的规则库：
# 过滤规则配置FILTER_RULES = {# 广告代码模式"ad_code": [r'<script[^>]*adsbygoogle[^<]*</script>',r'<ins[^>]*adsbygoogle[^>]*>.*?</ins>',r'<div[^>]*id="[^"]*ad[^"]*"[^>]*>.*?</div>',],# 广告链接模式"ad_links": [r'https?://(?:www\\.)?amazon\\.[^/]+/[^\\s]*tag=[^\\s]+',r'https?://s\\.click\\.taobao\\.com/[^\\s]+',r'https?://(?:union|ad)\\.jd\\.com/[^\\s]+',],# 联系方式模式"contact": [r'(微信|WeChat|WX|wx)[：:\\s]*[a-zA-Z0-9_-]{5,20}',r'QQ[：:\\s]*\\d{5,12}',r'1[3-9]\\d{9}',],# 广告法极限词"extreme_words": ['最好', '第一', '唯一', '全网首发', '国家级', '顶级','最高级', '最佳', '最大', '最先进', '独一无二', '绝无仅有','全网最低', '销量第一', '排名第一', '100%',],# 推广短句"promo_phrases": ['加微信', '扫码咨询', '联系客服', '点击购买', '立即下单','限时优惠', '免费领取', '名额有限', '先到先得', '手慢无',]}第二步，写扫描和清理函数。遍历数据库文章，逐条匹配规则，标记或自动清理：
import reimport pymysqldef scan_post_content(content):"""扫描文章内容，返回检测到的广告内容清单"""findings = []for category, patterns in FILTER_RULES.items():for pattern in patterns:matches = re.findall(pattern, content, re.IGNORECASE)for match in matches:findings.append({"category": category,"matched": match if isinstance(match, str) else match,"pattern": pattern})return findingsdef clean_post_content(content, auto_clean=True):"""清理文章中的广告内容"""cleaned = content# 先清理广告代码（直接删除整段）for pattern in FILTER_RULES["ad_code"]:cleaned = re.sub(pattern, '', cleaned, flags=re.IGNORECASE|re.DOTALL)# 清理广告链接（保留链接文字，删除链接）for pattern in FILTER_RULES["ad_links"]:cleaned = re.sub(pattern, '[已移除广告链接]', cleaned, flags=re.IGNORECASE)# 清理联系方式for pattern in FILTER_RULES["contact"]:cleaned = re.sub(pattern, '[已隐藏联系方式]', cleaned, flags=re.IGNORECASE)# 清理极限词（替换为合规表述）extreme_replace = {'最好': '较好', '第一': '领先', '唯一': '少数','全网首发': '率先推出', '国家级': '国家级（需资质）'}for word, replacement in extreme_replace.items():cleaned = cleaned.replace(word, replacement)return cleaned# 批量处理WordPress文章conn = pymysql.connect(host="localhost", user="root", password="xxx", database="wp_site")cursor = conn.cursor()cursor.execute("SELECT ID, post_content FROM wp_posts WHERE post_type='post' AND post_status='publish'")cleaned_count = 0for post_id, content in cursor.fetchall():findings = scan_post_content(content)if findings:cleaned = clean_post_content(content)cursor.execute("UPDATE wp_posts SET post_content=%s WHERE ID=%s", (cleaned, post_id))cleaned_count += 1print(f"文章ID {post_id}: 发现{len(findings)}处广告内容，已清理")conn.commit()print(f"共清理{cleaned_count}篇文章")自建脚本的建议：先扫描再清理，不要上来就删。自动清理最大的风险是误杀——把正常的文章内容当成广告删掉了。建议第一次跑的时候先只扫描不修改，把结果导出成CSV，人工抽查一下误判率。确认规则没问题了再开启自动清理。之后每次新增过滤规则时也先扫描验证。
评论区广告过滤：单独拎出来处理
评论区的广告和正文广告不太一样——它通常更短、更直接，而且量大。WordPress的评论存在wp_comments表，可以针对性处理：
-- 批量删除带链接的垃圾评论（评论里含http/https链接且内容很短）DELETE FROM wp_commentsWHERE CHAR_LENGTH(comment_content) < 100AND comment_content REGEXP 'https?://'AND comment_approved = '0';-- 批量标记含推广词的评论为垃圾UPDATE wp_commentsSET comment_approved = 'spam'WHERE comment_content REGEXP'(加微信|加QQ|免费领取|点击.*购买|日赚|代理|兼职|代开发票)';
更好的方式是在源头拦截——安装Akismet或Antispam Bee插件，自动过滤90%以上的垃圾评论，再配合WordPress自带的"评论审核"功能（设置→讨论→评论必须经人工审核），基本不需要事后批量清理。
三种方案怎么选，看你的网站规模和内容类型
| 方案 | 适用场景 | 技术门槛 | 准确率 | 成本 | 维护量 |
|---|---|---|---|---|---|
| SQL正则清洗 | 一次性清理存量广告代码、固定模式的广告内容 | 中 | 中（固定模式准，变体漏） | 极低（免费） | 低（一次性） |
| Better Search Replace | WordPress用户不想写SQL，需要安全的可视化操作 | 低 | 中（同正则） | 极低（免费插件） | 低 |
| 内容审核API | 实时拦截增量内容、识别变体广告、广告法合规检测 | 中高 | 高（>95%） | 按量付费 | 低（服务商维护） |
| Python自建脚本 | 需要高度定制化规则、定时批量扫描、不想持续付费 | 高 | 中高（取决于规则维护） | 极低（免费） | 中（需持续更新规则） |
实际做的时候，很多网站是组合使用：先用正则或插件把历史文章里的广告代码一次性洗掉，然后在内容发布环节接入审核API做实时拦截（用户投稿、评论），最后用Python脚本每周定时扫描一次全站内容做兜底检查。三层过滤下来，广告内容的漏网率能压到很低。自建规则库是投入产出比最高的方案——维护一份几百条正则和关键词的成本不高，但能把90%的固定模式广告挡在外面，剩下10%的变体和伪装才需要审核API来兜底。
