对敏感词生成前缀树
1. 根节点不包含字符
2. 叶子节点包含敏感词结束字符,从前缀树的第一个节点到前缀树的叶子节点结束为一个敏感词;
对包含敏感词文件内的数据进行逐行读取,每一行都是一个敏感词,对每一行数据中的每一个字符进行遍历查找,当不包含某个字符时,生成新的节点挂在上层节点的下面。
过滤的文本
从前往后遍历,需要两个指针,一个begin指向begin位置处的字符,另一个position先指向begin位置,然后向后遍历;
敏感词过滤过程
- 指针begin指向过滤文本中的某个位置;从过滤文本的开头向结尾遍历,遍历到结尾时,整个敏感词过滤过程结束;
- 指针position一开始指向begin,并且从begin位置处向后遍历,用于判断以begin开始的连续字符是否是敏感词;
- 指针tempNode是敏感词构成的前缀树中的字符位置;与position同步,当与position处的字符相同时且不是敏感词结尾字符时,position向后遍历,tempNode也向下查找;
package com.example.wenda_new1.service;
import org.apache.commons.lang.CharUtils;
import org.apache.commons.lang.StringUtils;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.beans.factory.InitializingBean;
import org.springframework.stereotype.Service;
import java.io.BufferedReader;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.util.HashMap;
import java.util.Map;
@Service
public class SensitiveService implements InitializingBean {
private static final Logger logger = LoggerFactory.getLogger(SensitiveService.class);
private static final String DEFAULT_REPLACEMENT = "敏感词"; // 默认敏感词替换符
//根节点构造函数
private class TrieNode {
private boolean end = false; //true 关键词的终结 ; false 继续
private Map<Character, TrieNode> subNodes = new HashMap<>();// key下一个字符,value是对应的节点
void addSubNode(Character key, TrieNode node) {// 向指定位置添加节点
subNodes.put(key, node);
}
TrieNode getSubNode(Character key) { // 获取下个节点
return subNodes.get(key);
}
boolean isKeywordEnd() {
return end;
}
void setKeywordEnd(boolean end) {
this.end = end;
}
public int getSubNodeCount() {
return subNodes.size();
}
}
private TrieNode rootNode = new TrieNode(); // 根节点
//判断是否是一个符号
private boolean isSymbol(char c) {
int ic = (int) c;
// 0x2E80-0x9FFF 东亚文字范围
return !CharUtils.isAsciiAlphanumeric(c) && (ic < 0x2E80 || ic > 0x9FFF);
}
//过滤敏感词
public String filter(String text) {
if (StringUtils.isBlank(text)) {
return text;
}
String replacement = DEFAULT_REPLACEMENT;
StringBuilder result = new StringBuilder();
TrieNode tempNode = rootNode;
int begin = 0; // 回滚数
int position = 0; // 当前比较的位置
while (position < text.length()) {
char c = text.charAt(position);
// 空格直接跳过
if (isSymbol(c)) {
if (tempNode == rootNode) {
result.append(c);
++begin;
}
++position;
continue;
}
tempNode = tempNode.getSubNode(c);
// 当前位置的匹配结束
if (tempNode == null) {
// 以begin开始的字符串不存在敏感词
result.append(text.charAt(begin));
// 跳到下一个字符开始测试
position = begin + 1;
begin = position;
// 回到树初始节点
tempNode = rootNode;
} else if (tempNode.isKeywordEnd()) {
// 发现敏感词, 从begin到position的位置用replacement替换掉
result.append(replacement);
position = position + 1;
begin = position;
tempNode = rootNode;
} else {
++position;
}
}
result.append(text.substring(begin));
return result.toString();
}
//将敏感词加到前缀树中
private void addWord(String lineTxt) {
TrieNode tempNode = rootNode;
// 循环每个字节
for (int i = 0; i < lineTxt.length(); ++i) {
Character c = lineTxt.charAt(i);
// 过滤空格
if (isSymbol(c)) {
continue;
}
TrieNode node = tempNode.getSubNode(c);
if (node == null) { // 没初始化
node = new TrieNode();
tempNode.addSubNode(c, node);
}
tempNode = node;
if (i == lineTxt.length() - 1) {
// 关键词结束, 设置结束标志
tempNode.setKeywordEnd(true);
}
}
}
@Override
public void afterPropertiesSet() throws Exception {
rootNode = new TrieNode();
try {
InputStream is = Thread.currentThread().getContextClassLoader()
.getResourceAsStream("SensitiveWords.txt");
InputStreamReader read = new InputStreamReader(is);
BufferedReader bufferedReader = new BufferedReader(read);
String lineTxt;
while ((lineTxt = bufferedReader.readLine()) != null) {//将文件中的每个敏感词都加到前缀树中
lineTxt = lineTxt.trim();
addWord(lineTxt);
}
read.close();
} catch (Exception e) {
logger.error("读取敏感词文件失败" + e.getMessage());
}
}
//测试代码
public static void main(String[] argv) {
SensitiveService s = new SensitiveService();
s.addWord("赌博");
s.addWord("好赌");
System.out.print(s.filter("你好X赌**博XX"));
}
}
注意:SensitiveWords.txt是包含敏感词的文件,每个敏感词在占一行,其中中包含敏感词“赌博”