基于DFA-前缀树的敏感词汇过滤算法（项目实用）
在敏感词汇过滤这块，不同的算法所造成的性能差异是非常大的，选择一个合适的算法非常重要。因为以前做算法的时候做过类似前缀树的字符串匹配之类的算法，所以一开始就打算用前缀树做的，后面了解了一下DFA的相关算法原理，其实用在敏感词汇过滤这块，主要还是前缀树的应用。
这个算法最原始的实现我是采用的建立树结构的方式，发现性能还是不佳，最后借鉴了一些基于HashMap构造前缀树的方法来实现。算是使用比较广泛的算法了。在这里进行了完整的封装，并且做了一些小的优化。
这个算法并不是目前最好的敏感词过滤算法，但是比较容易理解，而且性能也不差，所以小的项目用这个也比较合适了。
0x01.关于DFA与前缀树
- DFA（Deterministic Finite Automaton）：确定有穷自动机。
- 通俗理解DFA就是：从一个状态通过一系列的事件转换到另一个状态。
- 建立前缀树进行敏感词匹配的过程正是DFA的一种应用。
- 经过测试，使用HashMap建立的前缀树，确实比实际构造树结构的性能要好。
0x02.该算法的优缺点
- 优点：性能比较好，思想及实现都比较简单。
- 缺点：整个前缀树加载到内存中，如果敏感词比较多的话，那么消耗的内存会比较多。
0x03.完整代码（已封装好）
-
非静态方法，已封装好，创建对象后直接调用。
-
唯一需要修改的地方：具体敏感词汇的路径
-
具体注释在代码中。
-
提供三个方法：
- getSensitiveWordNums：获取文本中敏感词汇的个数。
- getSensitiveWordSet：获取文本中所有包含的敏感词汇。
- replaceAllSensitiveWord：将文本中的敏感词汇替换成指定的词汇。
-
参数说明：
- MIN_CONTAIN： 最少包含多少字才会被认定为敏感词。
- minMatchTYpe： 单次匹配到一个敏感词汇后不继续匹配。
- maxMatchType： 一直匹配直到文本结束。
import java.io.*;
import java.util.*;
@SuppressWarnings({ "rawtypes", "unchecked" })
public class SensitiveWordUtils {
private String ENCODING = "UTF-8";//文件的字符编码
private String PATH_RELATIVE="/src/main/resources/static/senc.txt";//敏感词汇相对项目的路径
private HashMap sensitiveWordMap;//敏感词汇树
private Integer MIN_CONTAIN=2;//包含敏感词的最多字数
public static int minMatchTYpe = 1; //最小匹配规则
public static int maxMatchType = 2; //最大匹配规则
/**
* 获取文本中敏感词汇的个数
* @param txt 要检测的文本
* @param beginIndex 开始的地方
* @param matchType 匹配的规则
* @return 敏感词汇的长度
*/
public Integer getSensitiveWordNums(String txt,int beginIndex,int matchType){
Set<String> wordSet = readSensitiveWordFromFile();
addSensitiveWordToHashMap(wordSet);
Integer result=0;
for(int i = 0 ; i < txt.length() ; i++){
//判断是否包含敏感字符
int length = CheckSensitiveWord(txt, i, matchType);
if(length > 0){ //存在,加入list中
result++;
i = i + length - 1;
}
}
return result;
}
/**
*
* @param txt 检测的文本
* @param matchType 匹配的规则
* @return Set 敏感词汇集合
*/
public Set<String> getSensitiveWordSet(String txt , int matchType){
Set<String> wordSet = readSensitiveWordFromFile();
addSensitiveWordToHashMap(wordSet);
return getSensitiveWord(txt,matchType);
}
/**
*
* @param txt
* @param matchType
* @param replaceChar 替换的词
* @return 处理后的文本
*/
public String replaceAllSensitiveWord(String txt,int matchType,String replaceChar){
Set<String> wordSet = readSensitiveWordFromFile();
addSensitiveWordToHashMap(wordSet);
return replaceSensitiveWord(txt,matchType,replaceChar);
}
/**
* 从文件中读取敏感词
* @return 敏感词的Set集合
*/
private Set<String> readSensitiveWordFromFile(){
Set<String> wordSet = null;
//获取项目路径
String projectPath = System.getProperty("user.dir");
//拼接得到敏感词汇的路径
String path=projectPath + PATH_RELATIVE;
File file = new File(path);
try {
//指定编码读取文件
InputStreamReader read = new InputStreamReader(new FileInputStream(file), ENCODING);
//判断文件是否存在
if (file.isFile() && file.exists()) {
//初始化wordSet
wordSet = new HashSet<String>();
//br用于读取文件的每一行
BufferedReader br = new BufferedReader(read);
String txt = null;
while ((txt = br.readLine()) != null) {
wordSet.add(txt);
}
br.close();
}else{
throw new Exception("文件错误或文件不存在！");
}
read.close();
} catch (UnsupportedEncodingException e) {
e.printStackTrace();
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
} catch (Exception e) {
e.printStackTrace();
}
return wordSet;
}
//处理从文件得到的敏感词汇表，构造敏感词树
/**
* 将敏感词汇处理成敏感词汇树
* @param keyWordSet 敏感词汇表
*/
private void addSensitiveWordToHashMap(Set<String> keyWordSet){
sensitiveWordMap = new HashMap(keyWordSet.size());
String key = null;//读取的每一个关键字
Map nowMap = null;//当前处理的map
Map<String, String> newWorMap = null;//新建的map
//用keyWordSet迭代器进行遍历
Iterator<String> iterator = keyWordSet.iterator();
while(iterator.hasNext()){
key = iterator.next();
nowMap = sensitiveWordMap;
//遍历敏感词的每一位
for(int i = 0 ; i < key.length() ; i++){
//将一位转换位char类型
char keyChar = key.charAt(i);
Object wordMap = nowMap.get(keyChar);
if(wordMap != null){ //如果存在该key，直接赋值
nowMap = (Map) wordMap;
}else{ //不存在则，则构建一个map，同时将isEnd设置为0
newWorMap = new HashMap<String,String>();
newWorMap.put("isEnd", "0"); //不是最后一个
nowMap.put(keyChar, newWorMap);
nowMap = newWorMap;
}
if(i == key.length() - 1){
nowMap.put("isEnd", "1"); //最后一个
}
}
}
}
/**
* 获取文本中敏感词汇的个数
* @param txt 要检测的文本
* @param beginIndex 开始的地方
* @param matchType 匹配的规则
* @return 敏感词汇的长度
*/
private int CheckSensitiveWord(String txt,int beginIndex,int matchType){
boolean flag = false;
int matchFlag = 0; //匹配标识数默认为0
Map nowMap = sensitiveWordMap;
char word = 0;
for(int i = beginIndex; i < txt.length() ; i++){
word = txt.charAt(i);
nowMap = (Map) nowMap.get(word);//获取指定key
if(nowMap != null){
matchFlag++; //找到相应key，匹配标识+1
if("1".equals(nowMap.get("isEnd"))){ //如果为最后一个匹配规则,结束循环，返回匹配标识数
flag = true; //结束标志位为true
if(minMatchTYpe == matchType){ //最小规则，直接返回,最大规则还需继续查找
break;
}
}
}else{
break;
}
}
return (matchFlag>=MIN_CONTAIN&&flag)?matchFlag:0;
}
/**
*
* @param txt 检测的文本
* @param matchType 匹配的规则
* @return Set 敏感词汇集合
*/
private Set<String> getSensitiveWord(String txt , int matchType){
Set<String> sensitiveWordList = new HashSet<String>();
for(int i = 0 ; i < txt.length() ; i++){
//判断是否包含敏感字符
int length = CheckSensitiveWord(txt, i, matchType);
if(length > 0){ //存在,加入list中
sensitiveWordList.add(txt.substring(i, i+length));
i = i + length - 1;
}
}
return sensitiveWordList;
}
//判断文字是否包含敏感字符
/**
* 检测是否包含敏感词
* @param txt 检测的文本
* @param matchType 匹配的规则
* @return
*/
public boolean isContaintSensitiveWord(String txt,int matchType){
boolean flag = false;
for(int i = 0 ; i < txt.length() ; i++){
//判断是否包含敏感字符
int matchFlag = this.CheckSensitiveWord(txt, i, matchType);
//存在
if(matchFlag > 0){
flag = true;
}
}
return flag;
}
/**
*
* @param txt
* @param matchType
* @param replaceChar 替换的词
* @return 处理后的文本
*/
private String replaceSensitiveWord(String txt,int matchType,String replaceChar){
String resultTxt = txt;
Set<String> set = getSensitiveWord(txt, matchType);
Iterator<String> iterator = set.iterator();
String word = null;
String replaceString = null;
while (iterator.hasNext()) {
word = iterator.next();
replaceString = getReplaceChars(replaceChar, word.length());
resultTxt = resultTxt.replaceAll(word, replaceString);
}
return resultTxt;
}
//替换原本字符串
private String getReplaceChars(String replaceChar,int length){
String resultReplace = replaceChar;
for(int i = 1 ; i < length ; i++){
resultReplace += replaceChar;
}
return resultReplace;
}
}
0x04.主要思路
- 读取文件里的敏感词汇到set集合中。
- 将set集合里的敏感词汇转换为HashMap形式的前缀树。
- 读取前缀树进行文本敏感词汇的判断。