敏感词过滤说白了就是简单的字符串替换，Java本身已经提供了相关函数，但是一旦遇到长文本，或者敏感词数量庞大，效率下降就会非常明显。本文将介绍利用多叉树进行敏感词存储和过滤的方法。

多叉树

多叉树是一种特殊的数据结构，如下图

Head为头节点，下面的ABCDE均为子树。那么多叉树是如何存储敏感词的呢？首先将敏感词分解为一个一个的字符，例如敏感词"CSDN"，第一个字符是C，则在Head下创建子树"C"(如果已经存在则跳过这一步)。第二个字符是S，则在子树"C"下面创建"S"接下来是D，N，创建完N就可以结束了。如此循环，就可以创建出类似上图的多叉树。

检测敏感词时，对于字符串中的每一个字符，先查找Head下是否有存在对应子树，例如字符串"ELN"，先读取第一个字符E，并检查Head，发现存在子树"E"；于是读取第二个字符L，并检查子树E的子树，发现存在L；最后读取第三个字符N，发现子树N还是存在。此时发现子树N后面没有内容，这说明ELN是一个敏感词，于是将ELN替换成"***"。

这种算法会出现一个小意外，如果一个敏感词恰好是另一个敏感词的前缀，就会导致较短的敏感词被长的敏感词覆盖，这种情况可以通过添加结束标记来区分。不过我的想法是，如果出现这种情况，直接把前缀屏蔽掉就行了，这样后半段也不算敏感词了(好像实际工作中不能这样做)，因此我没有添加结束标记。

代码

首先要先写一个数据结构来模拟多叉树，下图里Word就是一颗树，里面保存着当前字符c和子树next，compareTo是用来排序的，以提高查找效率。

public class Word implements Comparable<Word>{public char c;public List next = null;public Word(char c){this.c = c;}@Overridepublic int compareTo(Word word) {return c - word.c;}
}

上图的List继承了ArrayList，主要是因为ArrayList可以动态添加元素，便于偷懒

import java.util.ArrayList;public class List extends ArrayList<Word> {public Word get(char c){for(Word w :this){if(w.c == c) return w;}return null;}/*** 二分查找，必须先升序排序* @param c 需要查找的字符* @return Word对象：如果找到   null:如果没找到*/public Word binaryGet(char c){int left,right,key;Word word;left = 0;right = this.size()-1;while (left <= right){key = (left + right) / 2;word = get(key);if(word.c == c){return word;}else if(word.c > c){right = key - 1;}else {left = key + 1;}}return null;}public Word add(char c){Word word = new Word(c);super.add(word);return word;}
}

以下是核心代码

import java.io.*;
import java.util.ArrayList;
import java.util.Collections;public final class SensitiveWordFilter {public static List wordList;private final static char replace = '*'; // 替代字符private final static char[] skip = new char[]{ // 遇到这些字符就会跳过，例如,如果"AB"是敏感词，那么"A B","A=B"也会被屏蔽'!','*','-','+','_','=',',','.','@'};/*** 敏感词替换* @param text 待替换文本* @return 替换后的文本*/public static String Filter(String text){if(wordList == null || wordList.size() == 0) return text;char[] __char__ = text.toCharArray(); // 把String转化成char数组，便于遍历int i,j;Word word;boolean flag; // 是否需要替换for(i=0;i<__char__.length;i++){ // 遍历所有字符char c = __char__[i];word = wordList.binaryGet(c); // 使用二分查找来寻找字符，提高效率if(word != null){ // word != null说明找到了flag = false;j = i+1;while (j < __char__.length){ // 开始逐个比较后面的字符if(skip(__char__[j])) { // 跳过空格之类的无关字符j++;continue;}if(word.next != null){ // 字符串尚未结束，不确定是否存在敏感词/*以下代码并没有使用二分查找，因为以同一个字符开头的敏感词较少例如，wordList中记录了所有敏感词的开头第一个字，它的数量通常会有上千个假如现在锁定了字符“T”开头的敏感词，而“T”开头的敏感词只有10个，这时使用二分查找的效率反而低于顺序查找*/word = word.next.get(__char__[j]);if(word == null){break;}j++;}else { // 字符串已结束，存在敏感词汇flag = true;break;}}if(word != null && word.next == null){flag = true;}if(flag){ // 如果flag==true，说明检测出敏感粗，需要替换while (i<j){if(skip(__char__[i])){ // 跳过空格之类的无关字符，如果要把空格也替换成'*'，则删除这个if语句i++;continue;}__char__[i] = replace;i++;}i--;}}}return new String(__char__);}/*** 加载敏感词列表* @param words 敏感词数组*/public static void loadWord(ArrayList<String> words){if(words == null) return;char[] chars;List now;Word word;wordList = new List();for(String __word__:words){if(__word__ == null) continue;chars = __word__.toCharArray();now = wordList;word = null;for(char c:chars){if(word != null) {if(word.next == null) word.next = new List();now = word.next;}word = now.get(c);if(word == null) word = now.add(c);}}sort(wordList);}/*** 加载敏感词txt文件，每个敏感词独占一行，不可出现空格，空行，逗号等非文字内容,必须使用UTF-8编码* @param path txt文件的绝对地址*/public static void loadWordFromFile(String path){String encoding = "UTF-8";File file = new File(path);try{if(file.isFile() && file.exists()){InputStreamReader inputStreamReader = new InputStreamReader(new FileInputStream(file),encoding);BufferedReader bufferedReader = new BufferedReader(inputStreamReader);String line;ArrayList<String> list = new ArrayList<>();while ((line = bufferedReader.readLine()) != null){list.add(line);}bufferedReader.close();inputStreamReader.close();loadWord(list);}} catch (IOException e) {e.printStackTrace();}}/*** 对敏感词多叉树递增排序* @param list 待排序List*/private static void sort(List list){if(list == null) return;Collections.sort(list); // 递增排序for(Word word:list){sort(word.next);}}/*** 判断是否跳过当前字符* @param c 待检测字符* @return true:需要跳过   false:不需要跳过*/private static boolean skip(char c){for(char c1:skip){if(c1 == c) return true;}return false;}
}

测试

public class Main {public static void main(String[] args) throws Exception{SensitiveWordFilter.loadWordFromFile("D:/SensitiveWordList.txt");StringBuilder stringBuilder = new StringBuilder();long t1,t2;for(int i=0;i<100;i++){stringBuilder.append("123TM,D123");}String s = stringBuilder.toString();String result = null;t1 = System.nanoTime();for(int i=0;i<10000;i++){result = SensitiveWordFilter.Filter(s);}t2 = System.nanoTime();System.out.println(result);System.out.println((t2 - t1) / 1000000 + "毫秒");}
}

测试使用的敏感词库总共包含14596个敏感词(可能有个别重复),在测试代码里生成了一个长度为1000的字符串，总共包含100个相同敏感词，敏感词中间有逗号隔开

重复执行过滤10000次，并打印结果和时间，结果如下

可以看到程序成功地过滤了敏感词，并保留了逗号，总耗时335毫秒，平均每次过滤仅需要0.03毫秒，并且是在上万个敏感词和超长字符串的情况下。

源文件+敏感词列表

敏感词库存在部分重复，不过不影响使用。

未加密链接

源代码+敏感词列表:SensitiveWord.zip - DearXuan的云盘

单独敏感词列表:SensitiveWordList.txt - DearXuan的云盘

蓝奏云加密链接

在寻找敏感词列表时发现很多人的分享都被取消了，为了防止敏感词列表被检测出敏感词，使用了zip格式并加密。

密码:dearxuan

源代码+敏感词列表:SensitiveWord.zip - 蓝奏云

单独敏感词列表:SensitiveWordList.zip - 蓝奏云

DFA算法:简易Java敏感词过滤(含源文件和上万敏感词列表)相关推荐

网站发帖敏感字java_网站敏感词过滤的实现（附敏感词库）
现在基本上所有的网站都需要设置敏感词过滤,z似乎已经成了一个网站的标配,如果你的网站没有,或者你没有做相应的处理,那么小心相关部门请你喝茶哦. 最近在调研Java web网站的敏感词过滤的实现,网上找 ...
敏感词过滤的php代码,PHP敏感词过滤
/** * 禁词过滤 * 执行效率:每篇用时0.05秒 * @author liuxu * */ class Logic_BlackWord { const APP_FORUM = 1; const ...
高斯模糊的Java实现及优化(含源文件)
高斯模糊是被广泛使用的图形算法之一,在实现高斯模糊之前,先要了解正态分布正态分布一维的正态分布为直接让f(x)和f(y)相乘,就得到了二维的正态分布此处直接令μ=0,将会在下面解释. 权值矩阵 ...
基于java教学管理系统设计(含源文件)
欢迎添加微信互相交流学习哦! 项目源码:https://gitee.com/oklongmm/biye 目录 1. 系统概述 1 1.1 系统目标 1 1.2 系统主要功能 1 2. ...
基于java的订餐系统设计(含源文件)
欢迎添加微信互相交流学习哦! 项目源码:https://gitee.com/oklongmm/biye 基于Java的订餐系统设计与实现客户端详细设计 1.设计分析顾客模块的主要功能是浏览,订餐. ...
基于java会议管理系统设计(含源文件)
欢迎添加微信互相交流学习哦! 项目源码:https://gitee.com/oklongmm/biye 一绪论 1.1 本课题的开发背景及意义当今社会竞争日益激烈,企事业单位内部会议也不断增多,会 ...
基于java员工管理系统设计(含源文件)
欢迎添加微信互相交流学习哦! 项目源码:https://gitee.com/oklongmm/biye 需求文档软件名称:员工管理系统一．概述: 在人才过剩的今天,企 ...
基于java物业管理信息系统设计(含源文件)
欢迎添加微信互相交流学习哦! 项目源码:https://gitee.com/oklongmm/biye 基于B/S模式的物业管理信息系统设计摘要随着市场经济的发展和人们生活水平的提高,大量的住 ...
java dfa 敏感词_java利用DFA算法实现敏感词过滤功能
前言敏感词过滤应该是不用给大家过多的解释吧?讲白了就是你在项目中输入某些字(比如输入xxoo相关的文字时)时要能检测出来,很多项目中都会有一个敏感词管理模块,在敏感词管理模块中你可以加入敏感词,然 ...

DFA算法:简易Java敏感词过滤(含源文件和上万敏感词列表)

多叉树

代码

源文件+敏感词列表

未加密链接

蓝奏云加密链接

DFA算法:简易Java敏感词过滤(含源文件和上万敏感词列表)相关推荐

最新文章

热门文章