Java实现DFA算法对敏感词、广告词过滤功能示例

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 nodes = new HashMap(1024, 1); // 存储节点 
  private static final Set 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 readWordFromFile(String path) { 
    List words; 
    BufferedReader br = null; 
    try { 
      br = new BufferedReader(new InputStreamReader(WordFilter.class.getClassLoader().getResourceAsStream(path))); 
      words = new ArrayList(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 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 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 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(); 
    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

项目包含敏感词库，源码，停顿词库等，只需运行maven打jar包直接可运行。

项目源码：sensitivewd-filter_jb51.rar

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。