使用Trie树实现网站对用户输入的敏感词打码

使用Trie树实现网站对用户输入的敏感词打码

什么是Trie树？

Trie树，又称单词查找树，Trie树，是一种树形结构，是一种哈希树的变种。典型应用是用于统计，排序和保存大量的字符串（但不仅限于字符串），所以经常被搜索引擎系统用于文本词频统计。它的优点是：利用字符串的公共前缀来减少查询时间，最大限度地减少无谓的字符串比较，查询效率比哈希树高。

Trie树的核心思想是空间换时间，利用字符串的公共前缀来降低查询时间的开销以达到提高效率的目的。

使用Trie树数据结构可以匹配多个关键词，速度快。Trie树的最坏空间复杂度为O(m^n)，最坏时间复杂度为O(n)。从而可以利用该数据结构把一段文本中敏感词替换为***或者删除掉

import org.apache.commons.lang3.CharUtils;
import org.apache.commons.lang3.StringUtils;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.beans.factory.InitializingBean;
import org.springframework.stereotype.Service;
import java.io.BufferedReader;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.util.HashMap;
import java.util.Map;
@Service
public class SensitiveService implements InitializingBean {

    private static final Logger logger = LoggerFactory.getLogger(SensitiveService.class);

    private TrieNode rootNode = new TrieNode();

    public static void main(String[] args) {
        SensitiveService s = new SensitiveService();
        s.addWord("色情");
        s.addWord("赌博");
        String test = "你好啊色*情家伙，竟然赌博啊，你是个坏人！";
        System.out.println(s.filter(test));
    }

    public String filter(String text) {
        StringBuilder sb = new StringBuilder();
        if (StringUtils.isEmpty(text)) {
            return text;
        }
        String replace = "***";
        TrieNode curNode = rootNode;
        int begin = 0;
        int position = 0;
        while (position < text.length()) {
            char c = text.charAt(position);
            //如果不是东亚文字，如空格，则跳过在trie树中匹配
            if (isSymbol(c)) {
                if (curNode == rootNode) {
                    sb.append(c);
                    ++begin;
                }
                ++position;
                continue;
            }
            curNode = curNode.getSubNode(c);
            /**
             * 如果curNode等于Null,则说明在trie树中找不到下个字符，这个词不会是敏感词
             * 换句话说，trie树中没有这个子节点，说明begin开头的字符串不是敏感词，
             * 把begin这个字符加入过滤后的字符串中,同时前缀树指针指回开头
             */
            if (curNode == null) {
                sb.append(text.charAt(begin));
                position = begin + 1;
                begin = position;
                curNode = rootNode;
            } else if (curNode.isKeywordEnd()) {
                //发现一个敏感词
                sb.append(replace);
                position = position + 1;
                begin = position;
                curNode = rootNode;
            } else {
                ++position;
            }
        }
        sb.append(text.substring(begin));
        return sb.toString();
    }

    @Override
    public void afterPropertiesSet() throws Exception {
        try {
            InputStream is = Thread.currentThread().getContextClassLoader().getResourceAsStream("SensitiveWords.txt");
            InputStreamReader reader = new InputStreamReader(is);
            BufferedReader bufferedReader = new BufferedReader(reader);
            String lineTxt;
            while ((lineTxt = bufferedReader.readLine()) != null) {
                addWord(lineTxt.trim());
            }
            reader.close();
        } catch (Exception e) {
            logger.error("读取过滤的敏感词文件失败" + e.getMessage());
        }
    }

    //构建trie树，在前缀树中添加敏感词
    private void addWord(String lineTxt) {
        TrieNode curNode = rootNode;
        for (int i = 0; i < lineTxt.length(); ++i) {
            Character c = lineTxt.charAt(i);
            TrieNode node = curNode.getSubNode(c);
            if (node == null) {
                node = new TrieNode();
                curNode.addSubNode(c, node);
            }
            curNode = node;
            if (i == lineTxt.length() - 1) {
                curNode.setKeywordEnd(true);
            }
        }
    }

    private class TrieNode {
        private boolean end = false;
        //子节点
        private Map subNodes = new HashMap<>();

        public void addSubNode(Character key, TrieNode node) {
            subNodes.put(key, node);
        }

        TrieNode getSubNode(Character key) {
            return subNodes.get(key);
        }

        boolean isKeywordEnd() {
            return end;
        }

        void setKeywordEnd(boolean end) {
            this.end = end;
        }
    }

    //返回true表示不是东亚文字
    private boolean isSymbol(char c) {
        int i = (int) c;
        //东亚文字0x2E80-0x9FFF
        return !CharUtils.isAsciiAlphanumeric(c) && (i < 0x2E80 || i > 0x9FFF);
    }
}

该程序运行结果如下图：