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，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，网上找了相关资料，经过我的验证，把我的调研结果写出来，供大家参考。

一、敏感词过滤工具类

把敏感词词库内容加载到ArrayList集合中，通过双层循环，查找与敏感词列表相匹配的字符串，如果找到以*号替换，最终得到替换后的字符串。

此种方式匹配度较高，匹配速度良好。

初始化敏感词库：

//初始化敏感词库
public void InitializationWork()
{  replaceAll = new StringBuilder(replceSize);  for(int x=0;x < replceSize;x++)  {  replaceAll.append(replceStr);  }  //加载词库  arrayList = new ArrayList<String>();  InputStreamReader read = null;  BufferedReader bufferedReader = null;  try {  read = new InputStreamReader(SensitiveWord.class.getClassLoader().getResourceAsStream(fileName),encoding);  bufferedReader = new BufferedReader(read);  for(String txt = null;(txt = bufferedReader.readLine()) != null;){  if(!arrayList.contains(txt))  arrayList.add(txt);  }  } catch (UnsupportedEncodingException e) {  e.printStackTrace();  } catch (IOException e) {  e.printStackTrace();  }finally{  try {  if(null != bufferedReader)  bufferedReader.close();  } catch (IOException e) {  e.printStackTrace();  }  try {  if(null != read)  read.close();  } catch (IOException e) {  e.printStackTrace();  }  }
}

过滤敏感词信息：

public String filterInfo(String str)
{   sensitiveWordSet = new HashSet<String>();sensitiveWordList= new ArrayList<>();StringBuilder buffer = new StringBuilder(str);  HashMap<Integer, Integer> hash = new HashMap<Integer, Integer>(arrayList.size());  String temp;  for(int x = 0; x < arrayList.size();x++)  {  temp = arrayList.get(x);  int findIndexSize = 0;  for(int start = -1;(start=buffer.indexOf(temp,findIndexSize)) > -1;)  {  //System.out.println("###replace="+temp);findIndexSize = start+temp.length();//从已找到的后面开始找  Integer mapStart = hash.get(start);//起始位置  if(mapStart == null || (mapStart != null && findIndexSize > mapStart))//满足1个，即可更新map  {  hash.put(start, findIndexSize); //System.out.println("###敏感词："+buffer.substring(start, findIndexSize));}  }  }  Collection<Integer> values = hash.keySet();  for(Integer startIndex : values)  {  Integer endIndex = hash.get(startIndex);  //获取敏感词，并加入列表，用来统计数量String sensitive = buffer.substring(startIndex, endIndex);//System.out.println("###敏感词："+sensitive);if (!sensitive.contains("*")) {//添加敏感词到集合sensitiveWordSet.add(sensitive);sensitiveWordList.add(sensitive);
}buffer.replace(startIndex, endIndex, replaceAll.substring(0,endIndex-startIndex));}  hash.clear();  return buffer.toString();
}

下载地址：SensitiveWord
链接: https://pan.baidu.com/s/12RcZ8-jNHMAR__VscRUDfQ 密码: qmcw （如果失效，请使用文末地址下载）

二、Java关键词过滤

这个方式采用的是正则表达式匹配，速度上比第一种稍慢，匹配度良好。

主要代码：

// 从words.properties初始化正则表达式字符串
private static void initPattern() {StringBuffer patternBuffer = new StringBuffer();try {//words.propertiesInputStream in = KeyWordFilter.class.getClassLoader().getResourceAsStream("keywords.properties");Properties property = new Properties();property.load(in);Enumeration<?> enu = property.propertyNames();patternBuffer.append("(");while (enu.hasMoreElements()) {String scontent = (String) enu.nextElement();patternBuffer.append(scontent + "|");//System.out.println(scontent);keywordsCount ++;}patternBuffer.deleteCharAt(patternBuffer.length() - 1);patternBuffer.append(")");//System.out.println(patternBuffer);// unix换成UTF-8// pattern = Pattern.compile(new// String(patternBuf.toString().getBytes("ISO-8859-1"), "UTF-8"));// win下换成gb2312// pattern = Pattern.compile(new String(patternBuf.toString()// .getBytes("ISO-8859-1"), "gb2312"));// 装换编码pattern = Pattern.compile(patternBuffer.toString());} catch (IOException ioEx) {ioEx.printStackTrace();}
}private static String doFilter(String str) {Matcher m = pattern.matcher(str);
//      while (m.find()) {// 查找符合pattern的字符串
//          System.out.println("The result is here :" + m.group());
//      }// 选择替换方式，这里以* 号代替str = m.replaceAll("*");return str;
}

下载地址：KeyWordFilter
链接: http://pan.baidu.com/s/1kVBl803 密码: xi24 （如果失效，请使用文末地址下载）

三、DFA算法进行过滤

这种方式听起来高大上，采用DFA算法，这个算法个人不太懂，经测试发现，匹配度不行，速度良好。或许可以改良，还请大神进行改良。

主要有两个文件：SensitivewordFilter.java 和 SensitiveWordInit.java

主要代码：

public int CheckSensitiveWord(String txt,int beginIndex,int matchType){boolean  flag = false;    //敏感词结束标识位：用于敏感词只有1位的情况int matchFlag = 0;     //匹配标识数默认为0char word = 0;Map nowMap = sensitiveWordMap;for(int i = beginIndex; i < txt.length() ; i++){word = txt.charAt(i);nowMap = (Map) nowMap.get(word);     //获取指定keyif(nowMap != null){     //存在，则判断是否为最后一个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(SensitivewordFilter.minMatchTYpe == matchType){    //最小规则，直接返回,最大规则还需继续查找break;}}}else{     //不存在，直接返回break;}}if(matchFlag < 2 || !flag){        //长度必须大于等于1，为词 matchFlag = 0;}return matchFlag;
}

下载地址：SensitivewordFilter
链接: http://pan.baidu.com/s/1ccsa66 密码: mc1x （如果失效，请使用文末地址下载）

四、多叉树查找算法

这个方式采用了多叉树查找算法，至于这个算法是怎么回事，大家可以去查看数据结构相关内容。提供了jar包，直接调用进行过滤。

经测试，这个方法匹配度良好，速度稍慢。

调用方式：

//敏感词过滤
FilteredResult result = WordFilterUtil.filterText(str, '*');
//获取过滤后的内容
System.out.println("替换后的字符串为:\n"+result.getFilteredContent());
//获取原始字符串
System.out.println("原始字符串为:\n"+result.getOriginalContent());
//获取替换的敏感词
System.out.println("替换的敏感词为:\n"+result.getBadWords());

下载地址：WordFilterUtil
链接: http://pan.baidu.com/s/1nvftzeD 密码: 5t2h （如果失效，请使用文末地址下载）

以上就是我的调研结果，希望对大家有所帮助。

最后，附上大量敏感词库下载地址：
最新下载地址: https://t00y.com/file/1764647-442914556

参考了以下文章：

《高效精准》敏感字&词过滤
Java关键字过滤
Java实现敏感词过滤
高效Java敏感词、关键词过滤工具包_过滤非法词句

其他

个人博客：http://www.sendtion.cn
CSDN：http://blog.csdn.net/shuyou612
GitHub：https://github.com/sendtion