亲宝软件园·资讯

展开

SpringBoot用前缀树过滤敏感词

S mile0804 人气:0

一、前缀树

一般设计网站的时候,会有问题发布或者是内容发布的功能,这些功能的有一个很重要的点在于如何实现敏感词过滤,要不然可能会有不良信息的发布,或者发布的内容中有夹杂可能会有恶意功能的代码片段,敏感词过滤的基本的算法是前缀树算法,前缀树也就是字典树,通过前缀树匹配可以加快敏感词匹配的速度。

前缀树又称为Trie、字典树、查找树。主要特点是:查找效率高,但内存消耗大;主要应用于字符串检索、词频统计、字符串排序等。

到底什么是前缀树?前缀树的功能是如何实现的?

举一个具体的例子:若有一个字符串"xwabfabcff",敏感词为"abc"、"bf"、"be",检测字符串,若有敏感词,则将敏感词替换为"*",实现一个算法。

前缀树的特点:

        1. 跟结点为空结点,没有任何字符。

        2. 除了根节点以外,每个结点只有一个字符。

        3. 每个结点包含的子节点不相同。 例如,root的子节点本来有两个b,但我们只保留一个

        4. 在每个敏感词的末尾结点做一个标记,表示从根节点到此节点组合成的字符串是一个敏感词,中间未被标记的结点和根节点中间的字符串不构成一个敏感词。

前缀树的算法逻辑:

        1. 准备:我们需要三个指针,①指针指向前缀树,默认指向根节点; ②、③指针指向要检测的字符串(同向尺距法,②从头到尾走一遍,标记敏感词的开头,③随着②而动,标记敏感词的结尾),默认指向字符串的第一个字符。我们还需要一个存放检测结果的字符串(StringBuilder)。

        2. ①访问树的第一层,发现没有'x',则②、③向下走一步,并将'x'存入StringBuilder字符串里。'w' 同理。

        3. 此时②、③指向'a',①访问树的第一层,发现有'a',但'a'未被标记,所以不是敏感词,则把'a'存入StringBuilder字符串。然后②不动,①、③继续向下走,直至走到被标记的结点或者不匹配时,①归位,②向下走一步,③回到此时②指向的地方。重复以上步骤。

        4. 若检测到敏感词,则在StringBuilder中存储"***",并使②跳过此敏感词,②、③共同指向原来③的下一个位置。
        

        5. ②、③走到字符串的末尾时,检测完成。最终结果为"xwa******ff"。

二、敏感词过滤器

我们再开发项目时,需要开发出一个可复用的过滤敏感词的工具,成为敏感词过滤器,以便在项目中可以复用。

开发敏感词过滤器主要有以下三个步骤:

1. 定义前缀树

2. 根据敏感词,初始化前缀树

3. 编写过滤敏感词的方法

代码实现如下:

import org.apache.commons.lang3.CharUtils;
import org.apache.commons.lang3.StringUtils;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.stereotype.Component;
 
import javax.annotation.PostConstruct;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.util.HashMap;
import java.util.Map;
 
@Component
public class SensitiveFilter {
 
    // 记录日志
    private static final Logger logger = LoggerFactory.getLogger(SensitiveFilter.class);
 
    // 替换符
    private static final String REPLACEMENT = "***";
 
    // 初始化根节点
    private TrieNode rootNode = new TrieNode();
 
    /**
     * 2. 根据敏感词,初始化前缀树
     */
    @PostConstruct// 当容器在服务器启动时实例化此Bean,调用Bean的构造方法后,该方法就会被自动调用
    public void init() {
        try (
                // 加载敏感词文件 sensitive-words.txt是自建的存放敏感词的文件
                InputStream is = this.getClass().getClassLoader().getResourceAsStream("sensitive-words.txt");
                // 字节流 -->  字符流 --> 字符缓冲流
                BufferedReader reader = new BufferedReader(new InputStreamReader(is));
        ) {
            String keyword;
            while((keyword = reader.readLine()) != null){
                // 添加到前缀树,addKeyword为自定义的方法,将一个敏感词添加到前缀树中去
                this.addKeyword(keyword);
            }
 
        } catch (IOException e) {
            logger.error("加载敏感词文件失败:" + e.getMessage());
        }
 
    }
 
    // 封装方法:将一个敏感词添加到前缀树中去
    private void addKeyword(String keyword){
        TrieNode tempNode = rootNode;
        for (int i = 0; i < keyword.length(); i++) {
            char c = keyword.charAt(i);
            TrieNode subNode = tempNode.getSubNode(c);
 
            if(subNode == null){
                // 如果子节点中没有该字符,则以此字符初始化子节点,并装配到树中
                subNode = new TrieNode();
                tempNode.addSubNode(c,subNode);
            }
 
            // 指向字节点,进入下一层循环
            tempNode = subNode;
 
            // 设置结束标识
            if(i == keyword.length() -1){
                tempNode.setKeywordEnd(true);
            }
        }
    }
 
    /**
     * 3. 检索并过滤敏感词
     * @param text 待过滤的文本
     * @return 过滤后的文本
     */
    public String filter(String text){
        if(StringUtils.isBlank(text)){
            return null;
        }
 
        // 指针①
        TrieNode tempNode = rootNode;
        // 指针②
        int begin = 0;
        // 指针③
        int position = 0;
        // 存放结果
        StringBuilder sb = new StringBuilder();
 
        while(position < text.length()){
            char c = text.charAt(position);
 
            // 跳过符号
            if(isSymbol(c)){
                // 若指针①处于根节点,将此符号计入结果,让指针②向下走一步
                if(tempNode == rootNode){
                    sb.append(c);
                    begin++;
                }
                // 无论符号在未检测时出现还是正在检测时出现,指针③总是向下走一步
                // (未检测时和指针②一起向下走一步,检测时指针②不动,指针③向下走一步)
                position++;
                continue;
            }
 
            // 检查下级节点
            tempNode = tempNode.getSubNode(c);
            if(tempNode == null){
                // 以begin开头的字符串不是敏感词
                sb.append(text.charAt(begin));
                // 进入下一个位置
                begin++;
                position = begin;
                // 指针①归位,重新指向根节点
                tempNode = rootNode;
            }else if (tempNode.isKeywordEnd()){
                // 发现敏感词,将begin~position字符串替换掉
                sb.append(REPLACEMENT);
                // 进入下一个位置
                position++;
                begin = position;
                // 指针①归位,重新指向跟接待你
                tempNode = rootNode;
            }else {
                // 检查下一个字符
                position++;
            }
        }
        // 将最后一批字符计入结果:指针③比指针②先到中终点,且两者之间的字符串不是敏感词
        sb.append(text.substring(begin));
 
        return sb.toString();
    }
 
    // 封装方法:判断是否为特殊符号
    private boolean isSymbol(Character c){
        // 0x2E80~0x9FFF 是东亚文字范围,不予当作特殊符号看待
        return !CharUtils.isAsciiAlphanumeric(c) && (c < 0x2E80 || c > 0x9FFF);
    }
 
    /**
     * 1. 定义前缀树
     */
    private class TrieNode {
 
        // 敏感词(关键词)结束标识
        private boolean isKeywordEnd = false;
 
        // 子节点(key是下级字符,value是下级节点)
        private Map<Character, TrieNode> subNodes = new HashMap<>();
 
        public boolean isKeywordEnd() {
            return isKeywordEnd;
        }
 
        public void setKeywordEnd(boolean keywordEnd) {
            isKeywordEnd = keywordEnd;
        }
 
        // 添加子节点
        public void addSubNode(Character c, TrieNode node) {
            subNodes.put(c, node);
        }
 
        // 获取子节点
        public TrieNode getSubNode(Character c) {
            return subNodes.get(c);
        }
    }
 
}

总结

加载全部内容

相关教程
猜你喜欢
用户评论