浅析过滤敏感词过滤算法(C++)

本文转自浅析敏感词过滤算法(C++)，自己也在其基础上根据自己的情况做了一点修改。

为了提高查找效率，这里将敏感词用树形结构存储，每个节点有一个map成员，其映射关系为一个string对应一个WordNode。
比如敏感词库里面有枪手、手枪、枪支弹药这几个词，读入后就变成了如下图所示的树状结构。

STL::map是按照operator<比较判断元素是否相同，以及比较元素的大小，然后选择合适的位置插入到树中。
下面主要实现了WordNode类，进行节点的插入以及查询。

WordNode.h

class WordNode
{
private:
    friend class WordTree;
    typedef map<string, WordNode> _TreeMap;
    typedef map<string, WordNode>::iterator _TreeMapIterator;

    string m_character;
    _TreeMap m_map;
    WordNode* m_parent;

public:
    WordNode(string character);
    WordNode(){
        m_character = "";
    };
    string getCharacter() const{ return m_character; };
    WordNode* findChild(string& nextCharacter);
    WordNode* insertChild(string& nextCharacter);
};

WordNode.cpp

WordNode::WordNode(string character){
    if (character.size() == PACE)
    {
        m_character.assign(character);
    }
    else
        cout << "error" << endl;
}

WordNode* WordNode::findChild(string& nextCharacter){
    _TreeMapIterator TreeMapIt = m_map.find(nextCharacter);
    if (TreeMapIt == m_map.end())
    {
        return NULL;
    }
    else
    {
        return &TreeMapIt->second;
    }
}

WordNode* WordNode::insertChild(string& nextCharacter){
    if (!findChild(nextCharacter))
    {
        m_map.insert(pair<string,WordNode>(nextCharacter, WordNode(nextCharacter)));
        return &(m_map.find(nextCharacter)->second);
    }
    return NULL;
}

另外，

#define PACE 1

这里的PACE原本是2，因为一个GBK汉字占两个字符，而且原文中也说了如果需要考虑英文或中英文结合的情况，将PACE改为１。
不过我试过之后，觉得不管是中文、英文还是中英文，PACE为 1 都适用，结果都没错，只不过中文的情况下每个节点的string都不再是一个完整的汉字，而是汉字的一个字符。

接下来实现这个tree，在建立WordNode树时，以parent为根节点建立，一开始parent为m_emptyRoot，然后keyword按照规则添加到树中，假设一开始m_emptyRoot为空，keyword为”敏感词”，则会以”敏感词”为一条分支建立成为一颗树枝’敏’->’感’->’词’,此后，若想再添加”敏感度”，由于”敏感词”与”敏感度”的前两个字相同，则会在’敏’->’感’->’词’的基础上，从字’感’开始新生长出一颗分支，即’敏’->’感’->’度’,这两颗分支共用’敏’->’感’。

下面代码实现了WordTree类，进行树的构成及查询。

WordTree.h

class WordTree
{
public:
    int count;
    WordNode* insert(string &keyword);
    WordNode* insert(const char* keyword);
    WordNode* find(string& keyword);
    WordTree(){ count = 0; };

private:
    WordNode m_emptyRoot;
    int m_pace;
    WordNode* insert(WordNode* parent, string& keyword);
    WordNode* insertBranch(WordNode* parent, string& keyword);
    WordNode* find(WordNode* parent, string& keyword);
};

WordTree.cpp

WordNode* WordTree::insert(string &keyword){
    return insert(&m_emptyRoot, keyword);
}

WordNode* WordTree::insert(const char* keyword){
    string wordstr(keyword);
    return insert(wordstr);
}

WordNode* WordTree::find(string& keyword){
    return find(&m_emptyRoot,keyword);
}

WordNode* WordTree::insert(WordNode* parent, string& keyword){
    if (keyword.size() == 0)
    {
        return NULL;
    }
    string firstChar = keyword.substr(0, PACE);
    WordNode* firstNode = parent->findChild(firstChar);
    if (firstNode == NULL)
    {
        return insertBranch(parent,keyword);
    }
    string restChar = keyword.substr(PACE, keyword.size());
    return insert(firstNode, restChar);
}

WordNode* WordTree::insertBranch(WordNode* parent, string& keyword){
    string firstChar = keyword.substr(0, PACE);
    WordNode* firstNode = parent->insertChild(firstChar);
    if (firstNode != NULL)
    {
        string restChar = keyword.substr(PACE, keyword.size());
        if (!restChar.empty())
        {
            return insertBranch(firstNode, restChar);
        }
    }
    return NULL;
}

WordNode* WordTree::find(WordNode* parent, string& keyword){
    string firstChar = keyword.substr(0, PACE);
    WordNode* firstNode = parent->findChild(firstChar);
    if (firstNode==NULL)
    {
        count = 0;
        return NULL;
    }
    string restChar = keyword.substr(PACE, keyword.size());
    if (firstNode->m_map.empty())
    {
        return firstNode;
    }
    if (keyword.size()==PACE)
    {
        return NULL;
    }
    count++;
    return find(firstNode, restChar);
}

最后就是利用上述的Tree来实现敏感词过滤，WordFilter::censor(string &source) 函数用来进行敏感词过滤，source即输入的字符串，如果source包含敏感词，则用“**”替代掉。

WordFilter::load(const char* filepath) 函数通过文件载入敏感词，并构建WordTree，这里我用的是txt文件。

下面实现了WordFilter类。

WordFilter.h

class WordFilter
{
public:
    static WordFilter* pInstace;
    static WordFilter* sharedInstace();
    static void release();
private:
    WordTree m_tree;

public:
    void load(const char* filepath);
    void censor(string &source);
};

WordFilter.cpp

WordFilter* WordFilter::sharedInstace(){
    if (pInstace)
    {
        return pInstace;
    }
    pInstace = new WordFilter;
    return pInstace;
}
void WordFilter::release(){
    if (pInstace)
    {
        delete pInstace;
    }
    pInstace = NULL;
}

void WordFilter::load(const char* filepath){
    ifstream infile(filepath, ios::in);

    if (!infile)
    {
        cout << "open file error" << endl;
    }
    else
    {
        cout << "open file succeed" << endl;
        string read;
        while (getline(infile, read))
        {
#if (CC_TARGET_PLATFORM == CC_PLATFORM_ANDROID || CC_TARGET_PLATFORM == CC_PLATFORM_IOS)
            string s;
            s = read.substr(0, read.length() - 1);
            m_tree.insert(s);
#endif
        }
    }

    infile.close();
}

void WordFilter::censor(string &source){
    int lenght = source.size();
    for (int i = 0; i < lenght; i += 1)
    {
        string substring = source.substr(i, lenght - i);
        if (m_tree.find(substring) != NULL)
        {
            source.replace(i, (m_tree.count+1), "**");
            lenght = source.size();
            cout << "source = " <<  source << endl;
        }
    }
}

这里说明一点，本人是做Cocos2d-x手游客户端开发的，程序是要移植到安卓或者iOS平台上。当逐行读取txt文件中的敏感词并构成树的时候，getline(infile, read)函数得到的read字符串后面带有结束符，比如“枪手\0”，这时跟我们需要检测的字符串“…枪手…”就明显不符合，这是检测不出来的。这种情况我现在只知道在安卓或者iOS平台存在，而在windows环境下VS中是不会出现这种问题的。所以我对读取到的字符串做了处理，把最后一个字符也就是结束符去掉，再进行下一步操作。