用前缀数制作敏感词过滤器

用前缀数制作敏感词过滤器

何为前缀树

前缀数又成Trie、字典树和查找树，其特点是查找效率较高，但是消耗的内存较大，其常应用于字符串检索、字频统计和字符串排序等。

此处我们使用其来制作敏感词过滤器。

用前缀树来记录敏感词，假设此时的敏感词：abc、bd、bg

先画好一个前缀树：

Root为其根，不记录字符。

然后我们再对假设一个字符串，对该字符串进行敏感词识别。

假设该字符串为“asdabcbdaas”。

我们有三个箭头，分别如下：

同时准备一个StringBuilder存储过滤后的字符串。

分别称为1号箭头、2号箭头、3号箭头。

我们开始对该文段进行敏感词过滤。

1、2号箭头指向a，我们可以在前缀树的第一行节点里面查找是否存在a。

2、1号箭头往下走，发现存在a。

3、2号箭头静止不动，3号箭头往下一字符移动，3号指到s。

4、1号箭头往下走，在前缀树a的下一行节点中寻找s，没有找到。

5、说明此时2号箭头和3号箭头之间的字符串as不是敏感词。2号和3号箭头都移到下一位d。并把“as”加入到过滤后的字符串StirngBuilder。

此时StringBuilder=“as”；

6、1号箭头移回第一行节点，发现并没有d，继续检索下一个字符。

7、2号节点继续往前走，遇到a。

8、前缀树里第一行节点中有a。

9、3号指针移到2号指针的下一个字符，读取字符b。

10、同样在前缀树a的第二行节点中寻找b，找到。

11、3号指针继续往前走，找到c。

12、1号指针继续往b的下一行节点寻找c，找到c。

此时，字符串“abc”全部查找完成，可以判断2号指针到3号指针之间“abc”为敏感词，更换为***并加入StringBuilder。

StringBuilder=“as***”；

此后的字符以此类推，直到最后StringBuilder=“as*** ***aas”；

下面我们来编写Java。

先新建一个敏感词文件txt，我们给其命名为sensitive-word.txt。往里面按照一行一个词语的格式输入敏感词。如下：

赌博
嫖娼
吸毒
开票

然后实现一个Java过滤器。

package com.nowcoder.community.util;

import org.apache.commons.lang3.CharUtils;
import org.apache.commons.lang3.StringUtils;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.stereotype.Component;

import javax.annotation.PostConstruct;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.util.HashMap;
import java.util.Map;

@Component
public class SensitiveFilter {

    private static final Logger logger = LoggerFactory.getLogger(SensitiveFilter.class);

    // 替换符
    private static final String REPLACEMENT = "***";

    // 根节点
    private TrieNode rootNode = new TrieNode();

    @PostConstruct
    public void init() {
        try (
                InputStream is = this.getClass().getClassLoader().getResourceAsStream("sensitive-words.txt");
                BufferedReader reader = new BufferedReader(new InputStreamReader(is));
        ) {
            String keyword;
            while ((keyword = reader.readLine()) != null) {
                // 添加到前缀树
                this.addKeyword(keyword);
            }
        } catch (IOException e) {
            logger.error("加载敏感词文件失败: " + e.getMessage());
        }
    }

    // 将一个敏感词添加到前缀树中
    private void addKeyword(String keyword) {
        TrieNode tempNode = rootNode;
        for (int i = 0; i < keyword.length(); i++) {
            char c = keyword.charAt(i);
            TrieNode subNode = tempNode.getSubNode(c);

            if (subNode == null) {
                // 初始化子节点
                subNode = new TrieNode();
                tempNode.addSubNode(c, subNode);
            }

            // 指向子节点,进入下一轮循环
            tempNode = subNode;

            // 设置结束标识
            if (i == keyword.length() - 1) {
                tempNode.setKeywordEnd(true);
            }
        }
    }

    /**
     * 过滤敏感词
     *
     * @param text 待过滤的文本
     * @return 过滤后的文本
     */
    public String filter(String text) {
        if (StringUtils.isBlank(text)) {
            return null;
        }

        // 指针1
        TrieNode tempNode = rootNode;
        // 指针2
        int begin = 0;
        // 指针3
        int position = 0;
        // 结果
        StringBuilder sb = new StringBuilder();

        while (position < text.length()) {
            char c = text.charAt(position);

            // 跳过符号
            if (isSymbol(c)) {
                // 若指针1处于根节点,将此符号计入结果,让指针2向下走一步
                if (tempNode == rootNode) {
                    sb.append(c);
                    begin++;
                }
                // 无论符号在开头或中间,指针3都向下走一步
                position++;
                continue;
            }

            // 检查下级节点
            tempNode = tempNode.getSubNode(c);
            if (tempNode == null) {
                // 以begin开头的字符串不是敏感词
                sb.append(text.charAt(begin));
                // 进入下一个位置
                position = ++begin;
                // 重新指向根节点
                tempNode = rootNode;
            } else if (tempNode.isKeywordEnd()) {
                // 发现敏感词,将begin~position字符串替换掉
                sb.append(REPLACEMENT);
                // 进入下一个位置
                begin = ++position;
                // 重新指向根节点
                tempNode = rootNode;
            } else {
                // 检查下一个字符
                position++;
            }
        }

        // 将最后一批字符计入结果
        sb.append(text.substring(begin));

        return sb.toString();
    }

    // 判断是否为符号
    private boolean isSymbol(Character c) {
        // 0x2E80~0x9FFF 是东亚文字范围
        return !CharUtils.isAsciiAlphanumeric(c) && (c < 0x2E80 || c > 0x9FFF);
    }

    // 前缀树
    private class TrieNode {

        // 关键词结束标识
        private boolean isKeywordEnd = false;

        // 子节点(key是下级字符,value是下级节点)
        private Map<Character, TrieNode> subNodes = new HashMap<>();

        public boolean isKeywordEnd() {
            return isKeywordEnd;
        }

        public void setKeywordEnd(boolean keywordEnd) {
            isKeywordEnd = keywordEnd;
        }

        // 添加子节点
        public void addSubNode(Character c, TrieNode node) {
            subNodes.put(c, node);
        }

        // 获取子节点
        public TrieNode getSubNode(Character c) {
            return subNodes.get(c);
        }

    }

}