1.replace过滤

最简单也是最直接的就是直接循环敏感词，然后使用replace过滤关键词，文章和敏感词少的时候还可以，多的时候效率就真的很一般了。

2.使用正则过滤

有两个技术要点，

1.使用Python正则表达式的re的sub()函数;

2.在正则表达式语法中，竖线“|”表示二选一或多选一。

代码参考

import re

def check_filter(keywords, text):

return re.sub("|".join(keywords), "***", text)

keywords = ("暴力", "色情", "其他关键字")

text = "这句话里不包含暴力，也不包含色情，但是可能包含其他关键字"

print(check_filter(keywords, text))

返回结果

这句话里不包含***，也不包含***，但是可能包含***

3.DFA过滤敏感词算法

在网上查了下敏感词过滤方案，找到了一种名为DFA的算法，即Deterministic Finite Automaton算法，翻译成中文就是确定有穷自动机算法。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，所以效率比方案一高不少。

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：

image.png

image.png

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。

接下来上代码。

# -*- coding:utf-8 -*-

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() # 关键词英文变为小写

chars = keyword.strip() # 关键字去除首尾空格和换行

if not chars: # 如果关键词为空直接返回

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(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 = "E:/lyh/test/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)

print(result)

time2 = time.time()

print('总共耗时：' + str(time2 - time1) + 's')

sensitive_words.txt

傻逼

傻子

傻大个

坏蛋

坏人

运行结果

你真是个大傻逼，大傻子，傻大个，大坏蛋，坏人。

你真是个大**，大**，***，大**，**。

总共耗时：0.0009999275207519531s

4.AC自动机过滤敏感词算法

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

# -*- coding:utf-8 -*-

import time

time1=time.time()

# AC自动机算法

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()

# 添加敏感词函数

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

# 失败指针函数

def make_fail(self):

temp_que = []

temp_que.append(self.root)

while len(temp_que) != 0:

temp = temp_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])

# 查找敏感词函数

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

# 加载敏感词库函数

def parse(self, path):

with open(path,encoding='utf-8') as f:

for keyword in f:

self.addword(str(keyword).strip())

# 敏感词替换函数

def words_replace(self, text):

"""

:param ah: AC自动机

:param text: 文本

:return: 过滤敏感词之后的文本

"""

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='F:/文本反垃圾算法/sensitive_words.txt'

ah.parse(path)

text1="新疆骚乱苹果新品发布会雞八"

text2=ah.words_replace(text1)

print(text1)

print(text2)

time2 = time.time()

print('总共耗时：' + str(time2 - time1) + 's')

运行结果

新疆骚乱苹果新品发布会雞八

****苹果新品发布会**

总共耗时：0.0010304450988769531s

参考链接：