Java实现DFA算法对敏感词、广告词过滤功能示例

2019-11-26 10:50:48

字体：大中小

来源：转载

供稿：网友

一、前言

开发中经常要处理用户一些文字的提交，所以涉及到了敏感词过滤的功能，参考资料中DFA有穷状态机算法的实现，创建有向图。完成了对敏感词、广告词的过滤，而且效率较好，所以分享一下。

具体实现：

1、匹配大小写过滤
2、匹配全角半角过滤
3、匹配过滤停顿词过滤。
4、敏感词重复词过滤。

例如：

支持如下类型类型过滤检测：

fuck 全小写

FuCk 大小写

ｆｕｃｋ全角半角

f!!!u&c ###k 停顿词

fffuuuucccckkk 重复词

敏感词过滤的做法有很多，我简单描述我现在理解的几种：

①查询数据库当中的敏感词，循环每一个敏感词，然后去输入的文本中从头到尾搜索一遍，看是否存在此敏感词，有则做相

应的处理，这种方式讲白了就是找到一个处理一个。

优点：so easy。用java代码实现基本没什么难度。

缺点：这效率让我心中奔过十万匹草泥马，而且匹配的是不是有些蛋疼，如果是英文时你会发现一个很无语的事情，比如英文

a是敏感词，那我如果是一篇英文文档，那程序它妹的得处理多少次敏感词？谁能告诉我？

②传说中的DFA算法（有穷自动机）,也正是我要给大家分享的，毕竟感觉比较通用，算法的原理希望大家能够自己去网上查查

资料，这里就不详细说明了。

优点：至少比上面那sb效率高点。

缺点：对于学过算法的应该不难，对于没学过算法的用起来也不难，就是理解起来有点gg疼，匹配效率也不高，比较耗费内存，

敏感词越多，内存占用的就越大。

③第三种在这里要特别说明一下，那就是你自己去写一个算法吧，或者在现有的算法的基础上去优化，这也是小Alan追求的至

高境界之一，如果哪位淫兄有自己的想法一定别忘了小Alan，可以加小Alan的QQ：810104041教小Alan两招耍耍。

二、代码实现

其目录结构如下：

其中resources资源目录中：

stopwd.txt ：停顿词，匹配时间直接过滤。

wd.txt：敏感词库。

1、WordFilter敏感词过滤类

package org.andy.sensitivewdfilter;  import java.io.BufferedReader; import java.io.IOException; import java.io.InputStreamReader; import java.util.ArrayList; import java.util.HashMap; import java.util.HashSet; import java.util.List; import java.util.Map; import java.util.Set;  import org.andy.sensitivewdfilter.util.BCConvert;  /**  * 创建时间：2016年8月30日 下午3:01:12  *  * 思路： 创建一个FilterSet，枚举了0~65535的所有char是否是某个敏感词开头的状态  *  * 判断是否是 敏感词开头 | | 是 不是 获取头节点 OK--下一个字 然后逐级遍历，DFA算法  *  * @author andy  * @version 2.2  */ public class WordFilter {    private static final FilterSet set = new FilterSet(); // 存储首字   private static final Map<Integer, WordNode> nodes = new HashMap<Integer, WordNode>(1024, 1); // 存储节点   private static final Set<Integer> stopwdSet = new HashSet<>(); // 停顿词   private static final char SIGN = '*'; // 敏感词过滤替换    static {     try {       long a = System.nanoTime();       init();       a = System.nanoTime() - a;       System.out.println("加载时间 : " + a + "ns");       System.out.println("加载时间 : " + a / 1000000 + "ms");     } catch (Exception e) {       throw new RuntimeException("初始化过滤器失败");     }   }    private static void init() {     // 获取敏感词     addSensitiveWord(readWordFromFile("wd.txt"));     addStopWord(readWordFromFile("stopwd.txt"));   }    /**    * 增加敏感词    * @param path    * @return    */   private static List<String> readWordFromFile(String path) {     List<String> words;     BufferedReader br = null;     try {       br = new BufferedReader(new InputStreamReader(WordFilter.class.getClassLoader().getResourceAsStream(path)));       words = new ArrayList<String>(1200);       for (String buf = ""; (buf = br.readLine()) != null;) {         if (buf == null || buf.trim().equals(""))           continue;         words.add(buf);       }     } catch (Exception e) {       throw new RuntimeException(e);     } finally {       try {         if (br != null)           br.close();       } catch (IOException e) {       }     }     return words;   }    /**    * 增加停顿词    *    * @param words    */   private static void addStopWord(final List<String> words) {     if (words != null && words.size() > 0) {       char[] chs;       for (String curr : words) {         chs = curr.toCharArray();         for (char c : chs) {           stopwdSet.add(charConvert(c));         }       }     }   }    /**    * 添加DFA节点    * @param words    */   private static void addSensitiveWord(final List<String> words) {     if (words != null && words.size() > 0) {       char[] chs;       int fchar;       int lastIndex;       WordNode fnode; // 首字母节点       for (String curr : words) {         chs = curr.toCharArray();         fchar = charConvert(chs[0]);         if (!set.contains(fchar)) {// 没有首字定义           set.add(fchar);// 首字标志位 可重复add,反正判断了，不重复了           fnode = new WordNode(fchar, chs.length == 1);           nodes.put(fchar, fnode);         } else {           fnode = nodes.get(fchar);           if (!fnode.isLast() && chs.length == 1)             fnode.setLast(true);         }         lastIndex = chs.length - 1;         for (int i = 1; i < chs.length; i++) {           fnode = fnode.addIfNoExist(charConvert(chs[i]), i == lastIndex);         }       }     }   }    /**    * 过滤判断 将敏感词转化为成屏蔽词    * @param src    * @return    */   public static final String doFilter(final String src) {     char[] chs = src.toCharArray();     int length = chs.length;     int currc;     int k;     WordNode node;     for (int i = 0; i < length; i++) {       currc = charConvert(chs[i]);       if (!set.contains(currc)) {         continue;       }       node = nodes.get(currc);// 日 2       if (node == null)// 其实不会发生，习惯性写上了         continue;       boolean couldMark = false;       int markNum = -1;       if (node.isLast()) {// 单字匹配（日）         couldMark = true;         markNum = 0;       }       // 继续匹配（日你/日你妹），以长的优先       // 你-3 妹-4 夫-5       k = i;       for (; ++k < length;) {         int temp = charConvert(chs[k]);         if (stopwdSet.contains(temp))           continue;         node = node.querySub(temp);         if (node == null)// 没有了           break;         if (node.isLast()) {           couldMark = true;           markNum = k - i;// 3-2         }       }       if (couldMark) {         for (k = 0; k <= markNum; k++) {           chs[k + i] = SIGN;         }         i = i + markNum;       }     }      return new String(chs);   }      /**    * 是否包含敏感词    * @param src    * @return    */   public static final boolean isContains(final String src) {     char[] chs = src.toCharArray();     int length = chs.length;     int currc;     int k;     WordNode node;     for (int i = 0; i < length; i++) {       currc = charConvert(chs[i]);       if (!set.contains(currc)) {         continue;       }       node = nodes.get(currc);// 日 2       if (node == null)// 其实不会发生，习惯性写上了         continue;       boolean couldMark = false;       if (node.isLast()) {// 单字匹配（日）         couldMark = true;       }       // 继续匹配（日你/日你妹），以长的优先       // 你-3 妹-4 夫-5       k = i;       for (; ++k < length;) {         int temp = charConvert(chs[k]);         if (stopwdSet.contains(temp))           continue;         node = node.querySub(temp);         if (node == null)// 没有了           break;         if (node.isLast()) {           couldMark = true;         }       }       if (couldMark) {         return true;       }     }      return false;   }    /**    * 大写转化为小写 全角转化为半角    *    * @param src    * @return    */   private static int charConvert(char src) {     int r = BCConvert.qj2bj(src);     return (r >= 'A' && r <= 'Z') ? r + 32 : r;   }  }

其中：

isContains ：是否包含敏感词
doFilter：过滤敏感词

2、WordNode敏感词节点

package org.andy.sensitivewdfilter;  import java.util.LinkedList; import java.util.List;  /**  * 创建时间：2016年8月30日 下午3:07:45  *  * @author andy  * @version 2.2  */ public class WordNode {    private int value; // 节点名称    private List<WordNode> subNodes; // 子节点    private boolean isLast;// 默认false    public WordNode(int value) {     this.value = value;   }    public WordNode(int value, boolean isLast) {     this.value = value;     this.isLast = isLast;   }    /**    *    * @param subNode    * @return 就是传入的subNode    */   private WordNode addSubNode(final WordNode subNode) {     if (subNodes == null)       subNodes = new LinkedList<WordNode>();     subNodes.add(subNode);     return subNode;   }    /**    * 有就直接返回该子节点， 没有就创建添加并返回该子节点    *    * @param value    * @return    */   public WordNode addIfNoExist(final int value, final boolean isLast) {     if (subNodes == null) {       return addSubNode(new WordNode(value, isLast));     }     for (WordNode subNode : subNodes) {       if (subNode.value == value) {         if (!subNode.isLast && isLast)           subNode.isLast = true;         return subNode;       }     }     return addSubNode(new WordNode(value, isLast));   }    public WordNode querySub(final int value) {     if (subNodes == null) {       return null;     }     for (WordNode subNode : subNodes) {       if (subNode.value == value)         return subNode;     }     return null;   }    public boolean isLast() {     return isLast;   }    public void setLast(boolean isLast) {     this.isLast = isLast;   }    @Override   public int hashCode() {     return value;   }  }

三、测试结果