DFA 算法实现敏感词过滤（字典树)

敏感词过滤的经典算法DFA ,看完相关资料后，自己实现了一下，同时做了评估实验

先上代码

#!/usr/bin/python2.6  
# -*- coding: utf-8 -*-
import time
class Node(object):
	def __init__(self):
		self.children = None

# The encode of word is UTF-8
def add_word(root,word):
	node = root
	for i in range(len(word)):
		if node.children == None:
			node.children = {}
			node.children[word[i]] = Node()

		elif word[i] not in node.children:
			node.children[word[i]] = Node()

		node = node.children[word[i]]

def init(path):
	root = Node()
	fp = open(path,'r')
	for line in fp:
		line = line[0:-1]
		#print len(line)
		#print line
		#print type(line)
		add_word(root,line)
	fp.close()
	return root

# The encode of word is UTF-8
# The encode of message is UTF-8
def is_contain(message, root):
	for i in range(len(message)):
		p = root
		j = i
		while (j<len(message) and p.children!=None and message[j] in p.children):
			p = p.children[message[j]]
			j = j + 1

		if p.children==None:
			#print '---word---',message[i:j]
			return True
	
	return False



def dfa():
	print '----------------dfa-----------'
	root = init('/tmp/word.txt')

	message = '四处乱咬乱吠，吓得家中11岁的女儿躲在屋里不敢出来，直到辖区派出所民警赶到后，才将孩子从屋中救出。最后在征得主人同意后，民警和村民合力将这只发疯的狗打死'
	#message = '不顾'
	print '***message***',len(message)
	start_time = time.time()
	for i in range(1000):
		res = is_contain(message,root)
		#print res
	end_time = time.time()
	print (end_time - start_time) 

def is_contain2(message,word_list):
	for item in word_list:
		if message.find(item)!=-1:
			return True
	return False

def normal():
	print '------------normal--------------'
	path = '/tmp/word.txt'
	fp = open(path,'r')
	word_list = []
	message = '四处乱咬乱吠，吓得家中11岁的女儿躲在屋里不敢出来，直到辖区派出所民警赶到后，才将孩子从屋中救出。最后在征得主人同意后，民警和村民合力将这只发疯的狗打死'
	print '***message***',len(message)
	for line in fp:
		line = line[0:-1]
		word_list.append(line)
	fp.close()
	print 'The count of word:',len(word_list)
	start_time = time.time()
	for i in range(1000):
		res = is_contain2(message,word_list)
		#print res
	end_time = time.time()
	print (end_time - start_time) 


if __name__ == '__main__':
	dfa()
	normal()

测试结果:

1) 敏感词 100个

----------------dfa-----------
***message*** 224
0.325479984283
------------normal--------------
***message*** 224
The count of word: 100
0.107350111008

2) 敏感词 1000 个

----------------dfa-----------
***message*** 224
0.324251890182
------------normal--------------
***message*** 224
The count of word: 1000
1.05939006805

从上面的实验我们可以看出，在DFA 算法只有在敏感词较多的情况下，才有意义。在百来个敏感词的情况下，甚至不如普通算法

下面从理论上推导时间复杂度，为了方便分析，首先假定消息文本是等长的,长度为lenA；每个敏感词的长度相同，长度为lenB，敏感词的个数是m。

1) DFA算法的核心是构建一棵多叉树，由于我们已经假设，敏感词的长度相同，所以树的最大深度为lenB，那么我们可以说从消息文本的某个位置（字节)开始的某个子串是否在敏感词树中，最多只用经过lenB次匹配.也就是说判断一个消息文本中是否有敏感词的时间复杂度是lenA * lenB

2) 再来看看普通做法，是使用for循环，对每一个敏感词，依次在消息文本中进行查找，假定字符串是使用KMP算法,KMP算法的时间复杂度是O(lenA + lenB)

那么对m个敏感词查找的时间复杂度是 (lenA + lenB ) * m

综上所述，DFA 算法的时间复杂度基本上是与敏感词的个数无关的。