网络敏感词过滤

这几天在没事的时候在打王者的时候，有时候前期上单老送人头、中路不守塔、下路射手辅助常被抓、我方打野只刷野等开始逆风的时候，队友之间就开始互喷。最近在刷Dou音的时候，发现有这些互喷视频。反正敏感词都变成了***的样子，所以就研究一下敏感词的过滤方法有哪些。

上单：打野是**吗,都残血了也不来抓

打野：法师是脑子有**,能不能守好线

射手：辅助是**,不出辅助装还老卖我

法师：上路下路都是**吗,能不能别送

辅助：**,都是**,出去举报你们这帮**

1 直接过滤法

使用循环来直接对语句进行敏感词过滤，如果语句长度以及含有敏感词少的话效果还可以，多的时候工作效率就不行了。

 

2 正则过滤法

其核心思路和上面类似，在python中通过使用re库的sub函数就可以直接实现替换。

# 方案一：正则
import re
def check_filter(keywords, text):
    return re.sub('暴力|色情|敏感词','**',text)
keywords = ('暴力','色情','敏感词')
text = '这句话不包含暴力，也没有色情，更没有其他敏感词'
print(check_filter(keywords, text))

3 DFA过滤法

DFA的全名是 Deterministic Finite Automaton，翻译成中文就是“确定有穷自动机”。它的基本思想是基于状态转移来检索敏感词，只需要扫描一次待检测文本，就能对所有敏感词进行检测，所以效率比方法1高不少。

假设我们有以下5个敏感词需要检测：傻逼、傻子、傻大个、坏蛋、坏人。那么我们可以先把敏感词中有相同前缀的词组合成一个树形结构，不同前缀的词分属不同树形分支，以上述5个敏感词为例，可以初始化成如下2棵树：

  

把敏感词组成成树形结构有什么好处呢？最大的好处就是可以减少检索次数，我们只需要遍历一次待检测文本，然后在敏感词库中检索出有没有该字符对应的子树就行了，如果没有相应的子树，说明当前检测的字符不在敏感词库中，则直接跳过继续检测下一个字符；如果有相应的子树，则接着检查下一个字符是不是前一个字符对应的子树的子节点，这样迭代下去，就能找出待检测文本中是否包含敏感词了。

我们以文本“你是不是傻逼”为例，我们依次检测每个字符，因为前4个字符都不在敏感词库里，找不到相应的子树，所以直接跳过。当检测到“傻”字时，发现敏感词库中有相应的子树，我们把他记为tree-1，接着再搜索下一个字符“逼”是不是子树tree-1的子节点，发现恰好是，接下来再判断“逼”这个字符是不是叶子节点，如果是，则说明匹配到了一个敏感词了，在这里“逼”这个字符刚好是tree-1的叶子节点，所以成功检索到了敏感词：“傻逼”。大家发现了没有，在我们的搜索过程中，我们只需要扫描一次被检测文本就行了，而且对于被检测文本中不存在的敏感词，如这个例子中的“坏蛋”和“坏人”，我们完全不会扫描到，因此相比方案一效率大大提升了。

在python中，我们可以用dict来存储上述的树形结构，还是以上述敏感词为例，我们把每个敏感词字符串拆散成字符，再存储到dict中，可以这样存：

{
    '傻': {
        '逼': {
            '\x00': 0
        }, 
        '子': {
            '\x00': 0
        }, 
        '大': {
            '个': {
                '\x00': 0
            }
        }
    }, 
    '坏': {
        '蛋': {
            '\x00': 0
        }, 
        '人': {
            '\x00': 0}
    }
}

首先将每个词的第一个字符作为key，value则是另一个dict，value对应的dict的key为第二个字符，如果还有第三个字符，则存储到以第二个字符为key的value中，当然这个value还是一个dict，以此类推下去，直到最后一个字符，当然最后一个字符对应的value也是dict，只不过这个dict只需要存储一个结束标志就行了，像上述的例子中，我们就存了一个{'\x00': 0}的dict，来表示这个value对应的key是敏感词的最后一个字符。

同理，“坏人”和“坏蛋”这2个敏感词也是按这样的方式存储起来，这里就不罗列出来了。用dict存储有什么好处呢？我们知道dict在理想情况下可以以O(1)的时间复杂度进行查询，所以我们在遍历待检测字符串的过程中，可以以O(1)的时间复杂度检索出当前字符是否在敏感词库中，效率比方案一提升太多了。

#方案二：确定有限状态自动机
import time

time1 = time.time()
# DFA算法
class DFAFilter(object):
    def __init__(self):
        self.keyword_chains = {}    # 关键词链表
        self.delimit = '\x00'       # 限定

    def add(self, keyword):
        keyword = keyword.lower()   # 字母变小写
        chars = keyword.strip()     # 去除首尾空格换行
        # 关键字为空直接返回
        if not chars:
            return
        level = self.keyword_chains
        # 遍历关键字的每个字
        for i in range(len(chars)):
            # 如果这个字已经存在字符链的key中就进入其子字典
            if chars[i] in level:
                level = level[chars[i]]
            else:
                if not isinstance(level, dict):
                    break
                for j in range(i, len(chars)):
                    level[chars[j]] = {}
                    last_level, last_char = level, chars[j]
                    level = level[chars[j]]
                last_level[last_char] = {self.delimit:0}
                break
        if i == len(chars) - 1:
            level[self.delimit] = 0

    def parse(self, path):
        with open(path, encoding='utf-8') as f:
            for keyword in f:
                self.add(str(keyword).strip())
        print('字典-->',self.keyword_chains)

    def filter(self, message, repl='*'):
        message = message.lower()
        ret = []
        start = 0
        while start < len(message):
            level = self.keyword_chains
            step_ins = 0
            for char in message[start:]:
                if char in level:
                    step_ins += 1
                    if self.delimit not in level[char]:
                        level = level[char]
                    else:
                        ret.append(repl*step_ins)
                        start += step_ins - 1
                        break
                else:
                    ret.append(message[start])
                    break
            else:
                ret.append(message[start])
            start += 1

        return ''.join(ret)

if __name__ == "__main__":
    gfw = DFAFilter()
    path = 'sensitive_words.txt'
    gfw.parse(path)
    text = '你真是个大傻逼，大傻子，傻大个，大坏蛋，坏人。'
    result = gfw.filter(text)
    print(text, '\n', result)
    print('耗时：' + str(time.time()-time1) + 's')

sensitive_words.txt的内容如下：
傻逼
傻子
傻大个
坏蛋
坏人

4 AC自动机过滤法

AC自动机：一个常见的例子就是给出n个单词，再给出一段包含m个字符的文章，让你找出有多少个单词在文章里出现过。简单地讲，AC自动机就是字典树+kmp算法+失配指针。

# 方案三：AC自动机
import time

time1 = time.time()
# ACA算法
class node(object):
    def __init__(self):
        self.next = {}
        self.fail = None
        self.isWord = False
        self.word = ""

class ac_automation(object):
    def __init__(self):
        self.root = node()
    
    # 添加敏感词
    def addword(self, word):
        temp_root = self.root
        for char in word:
            if char not in temp_root.next:
                temp_root.next[char] = node()
            temp_root = temp_root.next[char]
        temp_root.isWord = True
        temp_root.word = word
    
    # 失败指针
    def make_fail(self):
        temp_que = []
        temp_que.append(self.root)
        while len(tem_que) != 0:
            temp = tem_que.pop(0)
            p = None
            for key,value in temp.next.item():
                if temp == self.root:
                    temp.next[key].fail = self.root
                else:
                    p = temp.fail
                    while p is not None:
                        if key in p.next:
                            temp.next[key].fail = p.fail
                            break
                        p = p.fail
                    if p is None:
                        temp.next[key].fail = self.root
                temp_que.append(temp.next[key])
    
    # 查找敏感词
    def search(self, content):
        p = self.root
        result = []
        currentposition = 0
        while currentposition < len(content):
            word = content[currentposition]
            while word in p.next == False and p != self.root:
                p = p.fail
            if word in p.next:
                p = p.next[word]
            else:
                p = self.root
            if p.isWord:
                result.append(p.word)
                p = self.root
            currentposition += 1
        return result
    
    # 加载敏感词库
    def parse(self, path):
        with open(path,encoding='utf-8') as f:
            for keyword in f:
                self.addword(str(keyword).strip())

    # 敏感词替换
    def words_replace(self, text):
        result = list(set(self.search(text)))
        for x in result:
            m = text.replace(x, '*'*len(x))
            text = m
        return text


if __name__ == '__main__':
    ah = ac_automation()
    path = 'sensitive_words.txt'
    ah.parse(path)
    text1 = '米国的苹果新品发布被骚乱，真雞儿烦'
    text2 = ah.words_replace(text1)
    print(text1,'\n',text2)
    print('总共耗时：' + str(time.time() - time1) + 's')

sensitive_words.txt内容如下：
米国
骚乱
雞儿

欢迎关注WX公众号《拇指编程》

发个敏感词库的资源：https://gitee.com/mjTree/MyPython/tree/master/敏感词过滤

 

 

 

红狼

        红狼?：是一种生存在北美洲的犬科动物，毛皮粗短，上体的颜色主要是肉桂红色和黄褐色，灰色或黑色组成的混合色彩，背部则是黑色，吻和四肢黄褐色，尾巴尖黑色，眼睛很亮。以松鸡，浣熊，兔子，老鼠，腐肉和家畜中的动物为主要食物，也会吃腐肉。

        它分布于美国东南部，其祖先是灰狼和郊狼的杂交种。由于数目稀少，红狼常找不到同类繁殖，而与北美大草原的灰狼交配，令纯种红狼的数量下降。1980年在野外灭绝，1989年《美国鱼类和野生动物局》将驯养的狼引入北卡罗来纳州野外放养，至2002年已繁衍到超过50只。此外还有170多头红狼在美国被圈养。

保护级度：

        CR——极危物种。