课程设计做了个博客系统,为了对评论进行敏感词过滤,所以去看了下DFA
在Java中实现敏感词过滤的关键就是DFA算法的实现。首先我们对上图进行剖析。在这过程中我们认为下面这种结构会更加清晰明了。
同时这里没有状态转换,没有动作,有的只是Query(查找)。我们可以认为,通过S query U、V,通过U query V、P,通过V query U P。通过这样的转变我们可以将状态的转换转变为使用Java集合的查找。
诚然,加入在我们的敏感词库中存在如下几个敏感词:日本人、日本鬼子、毛.泽.东。那么我需要构建成一个什么样的结构呢?
首先:query 日 ---> {本}、query 本 --->{人、鬼子}、query 人 --->{null}、query 鬼 ---> {子}。形如下结构:
下面我们在对这图进行扩展:
这样我们就将我们的敏感词库构建成了一个类似与一颗一颗的树,这样我们判断一个词是否为敏感词时就大大减少了检索的匹配范围。比如我们要判断日本人,根据第一个字我们就可以确认需要检索的是那棵树,然后再在这棵树中进行检索。
但是如何来判断一个敏感词已经结束了呢?利用标识位来判断。
所以对于这个关键是如何来构建一棵棵这样的敏感词树。下面我已Java中的HashMap为例来实现DFA算法。具体过程如下:
日本人,日本鬼子为例
1、在hashMap中查询“日”看其是否在hashMap中存在,如果不存在,则证明已“日”开头的敏感词还不存在,则我们直接构建这样的一棵树。跳至3。
2、如果在hashMap中查找到了,表明存在以“日”开头的敏感词,设置hashMap = hashMap.get("日"),跳至1,依次匹配“本”、“人”。
3、判断该字是否为该词中的最后一个字。若是表示敏感词结束,设置标志位isEnd = 1,否则设置标志位isEnd = 0;
首先需要建立一个敏感词库:
- /**
- * 读取敏感词库,将敏感词放入HashSet中,构建一个DFA算法模型:<br>
- * 中 = {
- * isEnd = 0
- * 国 = {<br>
- * isEnd = 1
- * 人 = {isEnd = 0
- * 民 = {isEnd = 1}
- * }
- * 男 = {
- * isEnd = 0
- * 人 = {
- * isEnd = 1
- * }
- * }
- * }
- * }
- * 五 = {
- * isEnd = 0
- * 星 = {
- * isEnd = 0
- * 红 = {
- * isEnd = 0
- * 旗 = {
- * isEnd = 1
- * }
- * }
- * }
- * }
- */
/** * 创建敏感词汇树 * @param keyWordSet */ public void createWords(Set<String> keyWordSet) { sensitiveWordMap = new HashMap(keyWordSet.size()); Map nowMap = null; Map<String,String> wordMap = null; String key = null; for (String word : keyWordSet) { nowMap = sensitiveWordMap; key = word; for (int index=0 ; index<key.length() ; index++) { char keyChar = key.charAt(index); Object newWordMap = nowMap.get(keyChar); if (newWordMap!=null) { nowMap = (Map) newWordMap; } else { wordMap = new HashMap<>(); wordMap.put("isEnd","0"); nowMap.put(keyChar,wordMap); nowMap = wordMap; } if (index == key.length()-1) { nowMap.put("isEnd","1"); } } } }
敏感词库我们一个简单的方法给实现了,那么如何实现检索呢?检索过程无非就是hashMap的get实现,找到就证明该词为敏感词,否则不为敏感词。过程如下:假如我们匹配“中国人民万岁”。
1、第一个字“中”,我们在hashMap中可以找到。得到一个新的map = hashMap.get("")。
2、如果map == null,则不是敏感词。否则跳至3
3、获取map中的isEnd,通过isEnd是否等于1来判断该词是否为最后一个。如果isEnd == 1表示该词为敏感词,否则跳至1。
通过这个步骤我们可以判断“中国人民”为敏感词,但是如果我们输入“中国女人”则不是敏感词了。
/**
* 获取敏感词汇集
* @param txt
* @param matchType
* @return
*/
public Set<String> getSensitiveWord(String txt,int matchType) {
Set<String> sensitiveWordList = new HashSet<>();
for (int index=0;index<txt.length();index++) {
int length = checkSensitiveWord(txt,index,matchType);
if (length>0) {
sensitiveWordList.add(txt.substring(index,index+length));
index = index + length - 1;
}
}
return sensitiveWordList;
}
/**
* 匹配 判断敏感词汇
* @param txt
* @param beginIndex
* @param matchType
* @return
*/
public int checkSensitiveWord(String txt,int beginIndex,int matchType) {
boolean flag = false;
int wordFlag = 0;
char word = 0;
Map nowMap = sensitiveWordMap;
for (int index=beginIndex ; index<txt.length() ; index++) {
word = txt.charAt(index);
nowMap = (Map) nowMap.get(word);
if (nowMap!=null) {
wordFlag++;
if ("1".equals(nowMap.get("isEnd"))) {
flag = true;
if (FilterUtil.minMatchTYpe == matchType) {
break;//最小匹配直接跳出
}
}
} else { //不存在,直接返回
break;
}
}
System.out.println(wordFlag+" "+flag);
if (wordFlag<2 || !flag) {
return 0;
}
return wordFlag;
}
需要一个词库:
点击下载词库
,提取码:
tk3g