一.前言

近期项目有了一个过滤敏感词的功能需求,在网上找了一些方法及解说,发现DFA算法比较好用,容易实现,但很多文章解释得不太清楚,这里将其详细描述,并用python代码实现.

二.DFA算法详解

DFA,网上常译为确定有限自动机,俗话就是新数据在已有的数据基础上去有限次查找,比如:新数据为苹果公司年会,旧数据为苹果公司,这样就可以直接旧数据后面添加"年会"两个字.
DFA算法思想是将敏感词组通过建立嵌套字典的方式去构建敏感词链表(以一个特定字符’\x00’作为结束),然后遍历新词的每个字是否出现在敏感词链表中,如果出现,即为敏感词,提取出来,可以用"*"代替.
例如:敏感词词组有:新疆骚乱,爆炸,骚乱
则构建出来的敏感词链表分别为:
‘新’: {‘疆’: {‘骚’: {‘乱’: {’\x00’: 0}}}}
‘爆’: {‘炸’: {’\x00’: 0}}
‘骚’: {‘乱’: {’\x00’: 0}}
合为一个链表为:{‘新’: {‘疆’: {‘骚’: {‘乱’: {’\x00’: 0}}}}, ‘爆’: {‘炸’: {’\x00’: 0}}, ‘骚’: {‘乱’: {’\x00’: 0}}}
其中’\x00’是指以该字符作为链表结尾
这样,当新词作为输入遍历敏感词链表时,遇到特定字符\x00才算敏感词识别出来,否则都不算入敏感词

三.python实现

采用类管理,初始化一个空字典链表,特定结束符以及生成敏感词链表的函数

Proj_path = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
SensitiveWord_Path = os.path.join(Proj_path, "main/minganci.txt")
class DFAFilter(object):def __init__(self):self.keyword_chains = {}  # 关键词链表self.delimit = '\x00'  # 限定self.parse(SensitiveWord_Path)

接下来是parse()读取敏感词库表,通过add()将敏感词以嵌套字典的方式形成链表,即为level,访问level即可匹配敏感词

    def parse(self, path):with open(path, encoding='utf-8') as f:for keyword in f:self.add(str(keyword).strip())def add(self, keyword):keyword = keyword.lower()  # 关键词英文变为小写chars = keyword.strip()  # 关键字去除首尾空格和换行if not chars:  # 如果关键词为空直接返回returnlevel = self.keyword_chains# 遍历关键字的每个字for i in range(len(chars)):# 如果这个字已经存在字符链的key中就进入其子字典if chars[i] in level:level = level[chars[i]]else:if not isinstance(level, dict):breakfor j in range(i, len(chars)):level[chars[j]] = {}last_level, last_char = level, chars[j]level = level[chars[j]]last_level[last_char] = {self.delimit: 0}breakif i == len(chars) - 1:  # 最后一个字level[self.delimit] = 0print(level)

最后,将传入的词组进行敏感词过滤,遍历新词组,只有当前字在敏感词链表中才能加入敏感词

    def filter(self, message, repl="*"):message = message.lower()ret = []start = 0while start < len(message):level = self.keyword_chainsstep_ins = 0for char in message[start:]:# 新字在敏感词字典链表中if char in level:step_ins += 1# 特定字符不在当前字的value值里，嵌套遍历下一个if self.delimit not in level[char]:level = level[char]else:# 将敏感词以*代替，跳出for循环ret.append(repl * step_ins)start += step_ins - 1breakelse:# 新字不在敏感词字典链表中ret.append(message[start])breakelse:ret.append(message[start])start += 1return ''.join(ret)

四.全部代码

import os
Proj_path = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))
SensitiveWord_Path = os.path.join(Proj_path, "main/minganci.txt")# DFA算法
class DFAFilter(object):def __init__(self):self.keyword_chains = {}  # 关键词链表self.delimit = '\x00'  # 限定self.parse(SensitiveWord_Path)def add(self, keyword):keyword = keyword.lower()  # 关键词英文变为小写chars = keyword.strip()  # 关键字去除首尾空格和换行if not chars:  # 如果关键词为空直接返回returnlevel = self.keyword_chains# 遍历关键字的每个字for i in range(len(chars)):# 如果这个字已经存在字符链的key中就进入其子字典if chars[i] in level:level = level[chars[i]]else:if not isinstance(level, dict):breakfor j in range(i, len(chars)):level[chars[j]] = {}last_level, last_char = level, chars[j]level = level[chars[j]]last_level[last_char] = {self.delimit: 0}breakif i == len(chars) - 1:  # 最后一个字level[self.delimit] = 0print(level)def parse(self, path):with open(path, encoding='utf-8') as f:for keyword in f:self.add(str(keyword).strip())def filter(self, message, repl="*"):message = message.lower()ret = []start = 0while start < len(message):level = self.keyword_chainsstep_ins = 0for char in message[start:]:# 新字在敏感词字典链表中if char in level:step_ins += 1# 特定字符不在当前字的value值里，嵌套遍历下一个if self.delimit not in level[char]:level = level[char]else:# 将敏感词以*代替，跳出for循环ret.append(repl * step_ins)start += step_ins - 1breakelse:# 新字不在敏感词字典链表中ret.append(message[start])breakelse:ret.append(message[start])start += 1return ''.join(ret)

敏感词或关键词过滤,DFA算法详解及python代码实现相关推荐

kmeans算法详解和python代码实现
kmeans算法详解和python代码实现 kmeans算法无监督学习和监督学习监督学习: 是通过已知类别的样本分类器的参数,来达到所要求性能的过程简单来说,就是让计算机去学习我们已经创建好了的 ...
编辑距离算法详解和python代码
编辑距离(Levenshtein Distance)算法详解和python代码最近做NLP用到了编辑距离,网上学习了很多,看到很多博客写的有问题,这里做一个编辑距离的算法介绍,步骤和多种python ...
K-means算法详解及python代码实现
K-means算法算法步骤对数据的要求算法的优缺点算法需要注意的点算法实现(python)(待更.......) 算法步骤 1.随机选取K个点作为初始聚类中心 2.计算各个数据到个聚类中心的 ...
python机器学习算法.mobi_机器学习之ID3算法详解及python代码实现
在生活中我们经常会用到决策树算法,最简单的就是二叉树了:相信大家也会又同样的困扰,手机经常收到各种短信,其中不乏很多垃圾短信.此时只要设置这类短信为垃圾短信手机就会自动进行屏蔽.减少被骚扰的次数,同时 ...
python决策树 value_机器学习之ID3算法详解及python代码实现
在生活中我们经常会用到决策树算法,最简单的就是二叉树了:相信大家也会又同样的困扰,手机经常收到各种短信,其中不乏很多垃圾短信.此时只要设置这类短信为垃圾短信手机就会自动进行屏蔽.减少被骚扰的次数,同时 ...
k-means算法详解及python代码
K-means算法原理 K-means聚类属于原型聚类(基于原型的聚类,prototype-based clustering).原型聚类算法假设聚类结构能够通过一组原型进行刻画,在现实聚类任务中极为常 ...
朴素贝叶斯算法详解及python代码实现
朴素贝叶斯算法算法原理对数据的要求算法的优缺点算法需要注意的点算法实现(python)(待更.......) 算法原理 P(Ck∣xi)=p(xi∣ck)∗p(ck)p(xi)=p(x1∣c ...
Simhash算法详解及python实现
Simhash算法详解及python实现 GoogleMoses Charikar发表的一篇论文"detecting near-duplicates for web crawling&quo ...
AC自动机算法详解以及Java代码实现
详细介绍了AC自动机算法详解以及Java代码实现. 文章目录 1 概念和原理 2 节点定义 3 构建Trie前缀树 3.1 案例演示 4 构建fail失配指针 4.1 案例演示 5 匹配文本 5.1 ...

敏感词或关键词过滤,DFA算法详解及python代码实现

一.前言

二.DFA算法详解

三.python实现

四.全部代码

敏感词或关键词过滤,DFA算法详解及python代码实现相关推荐

最新文章

热门文章