算法的力量--过滤关键字的快速算法(一)

(请尊重作者知识产权，在引用转载时请注明出处)

 

在很多情况下都需要过滤关键字的程序，比如短信网关检查下行的信息是不是合法信息，论坛的贴子包不包含非法关键字等等，通过这篇文章我给大家介绍一种比较简单高效的解决方案

 

首先要解决的是关键字库问题，我们这里指的不是如何去收集这些关键字，而是假设关键字库已经存在，我们如何存放这些关键字的问题，给我们的选择不多，要么是hash表，要么是二叉树，其他数据结构要么不便于维护要么搜索复杂度太高，这里我们用C++语言来实现，首先来定义一个管理关键字库的类

class CKeyWordManager

{

public:

     // load 关键字到内存

     bool load ();

 

     // 查找data中有没有包含指定的关键字

     bool find (const string & data);

 

private:

     set   m_keyWordList;

     int           m_keyWordMaxLength; //最长关键字的长度

};

 

我们用一个set来存放所有的关键字列表，set是一种红黑树，是一种高效的搜索二叉树，当然这里也可以使用hash_set来实现

 

这程序的关键是在于find方法，data内容可能很大，而且可能调用频率很高，我们有必要采用一种高效的方法来实现这一功能，基本思路是这样的：首先从data的0字符查找，检查第0个字符有没有在m_keyWordList中出现，如果有，返回真，如果没有，继续检查第0个和第1个字符有没有在m_keyWordList中出现过，……一直检查到0~n(n=m_keyWordMaxLength)数据，请看源码：

bool CKeyWordManager::find(const std::string &key)

{

     for (int n = 0; n < key.length (); ++n)

     {

         for (int i = 1; i < m_keyWordMaxLength && i + n < key.length (); ++i)

         {

              set ::iterator it = m_keWordList.find (key.substr (n, i));

 

              if (it != m_keyWordList.end ())

                   return true;

         }

     }

 

     return false;

}

 

在这个解决方案中，如果m_keyWordList中的key大小分布比较小的话效率会很好，但是如果m_keyWordMaxLength非常大，那这种算法的效率也非常低，关于m_keyWordMaxLength特别大的情况（一般超过了20）的解决方式，我会在下一片文章中介绍