python 敏感词过滤

敏感词过滤的经典算法DFA ，做了评估实验

先上代码

 #!/usr/bin/python2.6
 # -*- coding: utf-8 -*-
 import time
 class Node(object):
     def __init__(self):
         self.children = None

 # The encode of word is UTF-8
 def add_word(root,word):
     node = root
     for i in range(len(word)):
         if node.children == None:
             node.children = {}
             node.children[word[i]] = Node()

         elif word[i] not in node.children:
             node.children[word[i]] = Node()

         node = node.children[word[i]]

 def init(path):
     root = Node()
     fp = open(path,'r')
     for line in fp:
         line = line[0:-1]
         #print len(line)
         #print line
         #print type(line)
         add_word(root,line)
     fp.close()
     return root

 # The encode of word is UTF-8
 # The encode of message is UTF-8
 def is_contain(message, root):
     for i in range(len(message)):
         p = root
         j = i
         while (jand p.children!=None and message[j] in p.children):
             p = p.children[message[j]]
             j = j + 1

         if p.children==None:
             #print '---word---',message[i:j]
             return True

     return False



 def dfa():
     print '----------------dfa-----------'
     root = init('/tmp/word.txt')

     message = '四处乱咬乱吠，吓得家中11岁的女儿躲在屋里不敢出来，直到辖区派出所民警赶到后，才将孩子从屋中救出。最后在征得主人同意后，民警和村民合力将这只发疯的狗打死'
     #message = '不顾'
     print '***message***',len(message)
     start_time = time.time()
     for i in range(1000):
         res = is_contain(message,root)
         #print res
     end_time = time.time()
     print (end_time - start_time)

 def is_contain2(message,word_list):
     for item in word_list:
         if message.find(item)!=-1:
             return True
     return False

 def normal():
     print '------------normal--------------'
     path = '/tmp/word.txt'
     fp = open(path,'r')
     word_list = []
     message = '四处乱咬乱吠，吓得家中11岁的女儿躲在屋里不敢出来，直到辖区派出所民警赶到后，才将孩子从屋中救出。最后在征得主人同意后，民警和村民合力将这只发疯的狗打死'
     print '***message***',len(message)
     for line in fp:
         line = line[0:-1]
         word_list.append(line)
     fp.close()
     print 'The count of word:',len(word_list)
     start_time = time.time()
     for i in range(1000):
         res = is_contain2(message,word_list)
         #print res
     end_time = time.time()
     print (end_time - start_time)


 if __name__ == '__main__':
     dfa()
     normal()

测试结果:

1) 敏感词 100个

----------------dfa-----------
***message*** 224
0.325479984283
------------normal--------------
***message*** 224
The count of word: 100
0.107350111008

2) 敏感词 1000 个

----------------dfa-----------
***message*** 224
0.324251890182
------------normal--------------
***message*** 224
The count of word: 1000
1.05939006805

从上面的实验我们可以看出，在DFA 算法只有在敏感词较多的情况下，才有意义。在百来个敏感词的情况下，甚至不如普通算法

下面从理论上推导时间复杂度，为了方便分析，首先假定消息文本是等长的,长度为lenA；每个敏感词的长度相同，长度为lenB，敏感词的个数是m。

1) DFA算法的核心是构建一棵多叉树，由于我们已经假设，敏感词的长度相同，所以树的最大深度为lenB，那么我们可以说从消息文本的某个位置（字节)开始的某个子串是否在敏感词树中，最多只用经过lenB次匹配.也就是说判断一个消息文本中是否有敏感词的时间复杂度是lenA * lenB

2) 再来看看普通做法，是使用for循环，对每一个敏感词，依次在消息文本中进行查找，假定字符串是使用KMP算法,KMP算法的时间复杂度是O(lenA + lenB)

那么对m个敏感词查找的时间复杂度是 (lenA + lenB ) * m

综上所述，DFA 算法的时间复杂度基本上是与敏感词的个数无关的。