艾伟：一个简单的关键字过滤算法

早上看到老赵的《一个较完整的关键字过滤解决方案（上）》文章，讲到怎样在项目中嵌入过滤方案的问题，以及提到 xingd 和 sumtec 两位大师发表的系列互拼的文章，在此我也忍不住谈谈自己遇到的问题以及一个的简化版的算法。

因为过滤关键字机制到处可见，于是聪明的网友就会想到各种各样的方法突破，例如：

1、中文会用繁体字的方法避开关键字扫描
2、在关键字中间插入无意思的特殊字符，例如 * & # @ 等，而且个数可变
3、使用谐音或拆字法变换关键字

在实现自己的算法时也有些问题：

4、随着时间推移，关键字列表会越来越大，有些论坛常用的正则表达式N次扫描的方法显得效率很低。
5、关键字有不同的严重级别，有些需要禁止，有些只需要替换，还有一些可能记录一下即可。

针对这些问题，可采用的应对方法：

1、加载关键字列表时，将所有的关键字转换成繁体字一份，以扫描繁体版的关键字；
这个转换工作只需一句就可以实现了：
s=Microsoft.VisualBasic.Strings.StrConv(word, Microsoft.VisualBasic.VbStrConv.TraditionalChinese, 0);

2、在扫描原文本时，如果遇到关键字的首个文字，忽略其后的特殊字符，直到下一个有意义的文字为止，当然这里需要在定义关键字列表时指定哪些才需要这样扫描，并不是所有关键字都采用这种方式；
例如有关键字 “你好”经常会被人输入成“你x好”或者“你xxxxx好”，那么在关键字列表里就需要定义成“你*好”，在匹配关键字时，如果遇到星号就忽略原文本下一个为特殊的字符。

3、遇到谐音和拆字时，没什么好办法了，只好将这些谐音词和拆分词也加入到关键字列表。

4、不用正则表达式或者 String.IndexOf方法，可以将所有关键字的首字相同的组成一个一个小组，然后在将首字放到一个散列表（HashTable/Dictionary），在扫描原文本时先在散列表里扫描，如果碰到了首字再扫描同组的关键字，这样简单处理一下效率可以提高很多。

还有一个比用散列表更好的方法，将散列表改成一个大小为char.MaxValue的数组，然后将首个文字转成int，即char->int，然后将关键词集合放到相应下标里。这样在扫描原文本时，将被扫描的字符转成int，然后试探数组相应下标的元素是否不为NULL。这样比用散列表会更快一些。

5、在定义关键字时，同时给一个“级别”属性，例如使用 E,R,B分别表示只记录、替换、禁止等情况。
于是关键字的列表如下所示：
你滚 E
他niang的 R
成*人*网*站 B

这里贴一下关键的部分代码：

private WordGroup[] _wordTable;

public FilterResult Filter(ref string source,char replaceChar)
{
    //NOTE:: 
    //  如果方法返回  FilterResult.Replace或者FilterResult.Banned，则原字符串的某些字会被替代为星号，替代后的字符串可以由source取得

    if (String.IsNullOrEmpty(source)) return FilterResult.Pass;

    FilterResult result = FilterResult.Pass;
    char[] tempString = null;

    int start = 0;
    for (; start < source.Length; start++)
    {
        WordGroup fw = _wordTable[fastToLower(source[start])];
        if (fw != null)
        {
            for (int idx = 0; idx < fw.Count; idx++)
            {
                WordEntity we = fw.GetItem(idx);
                int matchLength=0;
                if (we.Word.Length==0 || checkString(source, we.Word, start + 1, out matchLength))
                {
                    FilterResult fr = we.HandleType;
                    if (fr > result) result = fr; //记录最高级别的处理方法
                    if (fr == FilterResult.Replace || fr == FilterResult.Banned)
                    {
                        //替换关键字
                        if(tempString==null) tempString =source.ToCharArray();;
                        for (int pos = 0; pos < matchLength + 1; pos++)
                        {
                            tempString[pos + start] = replaceChar;
                        }
                    }
                }
            }
        }
    }

    if (result > FilterResult.RecordOnly)
    {
        source = new string(tempString);
    }

    return result;
}

private bool checkString(string source, string keyword, int sourceStart, out int matchLength)
{
    bool found = false;
    int sourceOffset = 0;
    int keyIndex = 0;
    for (; keyIndex < keyword.Length; keyIndex++)
    {
        if (sourceOffset + sourceStart >= source.Length) break; //原始字符串已经全部搜索完毕

        if (keyword[keyIndex] == '*')
        {
            //跳过可忽略的字符
            while (sourceOffset + sourceStart < source.Length)
            {
                if (isIgnorableCharacter_CN(source[sourceOffset + sourceStart]))
                    sourceOffset++;
                else
                    break;
            }
        }
        else
        {
            //比较字母
            if (fastToLower(source[sourceOffset + sourceStart]) == (int)keyword[keyIndex])
            {
                if (keyIndex == keyword.Length - 1)
                {
                    found = true;
                    break;
                }
            }
            else
            {
                break;
            }

            sourceOffset++;//移动原始字符串
        }
    }

    //如果匹配中关键字，则返回原字符串中被匹配中的文字的长度，否则返回0
    matchLength = sourceOffset + 1;
    return found;
}

private int fastToLower(char character)
{
    //将大写英文字母以及全/半角的英文字母转化为小写字母
    int charVal = (int)character;
    if (charVal <= 90)
    {
        if (charVal >= 65) //字母A-Z
            return charVal - 65 + 97;
    }
    else if (charVal >= 65313)
    {
        if (charVal <= 65338)
            return charVal - 65313 + 97; //全角大写A-Z
        else if (charVal >= 65345 && charVal <= 65370)
            return charVal - 65345 + 97; //全角小写a-z
    }
    return charVal;
}

private bool isIgnorableCharacter_CN(char character)
{
    //NOTE::
    //  中文表意字符的范围 4E00-9FA5
    int charVal = (int)character;
    return !(charVal >= 0x4e00 && charVal <= 0x9fa5);
}

// 单个过滤词条目
class WordEntity
{
    public string Word { get; set; }
    public FilterResult HandleType { get; set; }
}

// 过滤词的组
class WordGroup
{
    //NOTE::用于装载一组具有同一个字开头的过滤词

    private List<WordEntity> _words;

    public WordGroup()
    {
        _words = new List<WordEntity>();
    }

    public void AppendWord(string word, FilterResult handleType)
    {
        AppendWord(new WordEntity() { Word = word, HandleType = handleType });
    }

    public void AppendWord(WordEntity word)
    {
        _words.Add(word);
    }

    public int Count
    {
        get { return _words.Count; }
    }

    public WordEntity GetItem(int index)
    {
        return _words[index];
    }
}

 

完整的源代码可以在这里下载：

http://www.uushare.com/user/csprogram/file/1132054

源代码可能会有bug或者效率低的地方，望感兴趣的朋友请帮忙补充和改进一下。