【黑马头条之自管理敏感词】

我就是我 2023-10-14 08:31 35阅读 0赞

本笔记内容为[黑马头条][Link 1]项目的新需求-自管理敏感词部分

**目录**

一、需求分析

二、敏感词-过滤

三、DFA实现原理

SensitiveWordUtil工具类

四、自管理敏感词集成到文章审核中

--------------------

# 一、**需求分析** #

--------------------

文章审核功能已经交付了，文章也能正常发布审核。突然，产品经理过来说要开会。

会议的内容核心有以下内容：

*  文章审核不能过滤一些敏感词：
    
    私人侦探、针孔摄象、信用卡提现、广告代理、代开发票、刻章办、出售答案、小额贷款…

需要完成的功能：

需要自己维护一套敏感词，在文章审核的时候，需要验证文章是否包含这些敏感词

# 二、敏感词-过滤 #

--------------------

**技术选型**

<table> 
 <thead> 
  <tr> 
   <th><strong>方案</strong></th> 
   <th><strong>说明</strong></th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>数据库模糊查询</td> 
   <td>效率太低</td> 
  </tr> 
  <tr> 
   <td>String.indexOf("")查找</td> 
   <td>数据库量大的话也是比较慢</td> 
  </tr> 
  <tr> 
   <td>全文检索</td> 
   <td>分词再匹配</td> 
  </tr> 
  <tr> 
   <td>DFA算法</td> 
   <td>确定有穷自动机(一种数据结构)</td> 
  </tr> 
 </tbody> 
</table>

# 三、DFA实现原理 #

--------------------

**DFA全称为：Deterministic Finite Automaton,即确定有穷自动机。**

**存储：一次性的把所有的敏感词存储到了多个map中，就是下图表示这种结构**

敏感词：冰毒、大麻、大坏蛋

![2c5ec504606243a99bab25c512ca8be2.png][]

检索的过程

![701e2c02226d4bddbf2add913ab31895.png][]

## **SensitiveWordUtil工具类** ##

package com.heima.utils.common;
    
    
    import java.util.*;
    
    public class SensitiveWordUtil {
    
        public static Map<String, Object> dictionaryMap = new HashMap<>();
    
    
        /**
         * 生成关键词字典库
         * @param words
         * @return
         */
        public static void initMap(Collection<String> words) {
            if (words == null) {
                System.out.println("敏感词列表不能为空");
                return ;
            }
    
            // map初始长度words.size()，整个字典库的入口字数(小于words.size()，因为不同的词可能会有相同的首字)
            Map<String, Object> map = new HashMap<>(words.size());
            // 遍历过程中当前层次的数据
            Map<String, Object> curMap = null;
            Iterator<String> iterator = words.iterator();
    
            while (iterator.hasNext()) {
                String word = iterator.next();
                curMap = map;
                int len = word.length();
                for (int i =0; i < len; i++) {
                    // 遍历每个词的字
                    String key = String.valueOf(word.charAt(i));
                    // 当前字在当前层是否存在, 不存在则新建, 当前层数据指向下一个节点, 继续判断是否存在数据
                    Map<String, Object> wordMap = (Map<String, Object>) curMap.get(key);
                    if (wordMap == null) {
                        // 每个节点存在两个数据: 下一个节点和isEnd(是否结束标志)
                        wordMap = new HashMap<>(2);
                        wordMap.put("isEnd", "0");
                        curMap.put(key, wordMap);
                    }
                    curMap = wordMap;
                    // 如果当前字是词的最后一个字，则将isEnd标志置1
                    if (i == len -1) {
                        curMap.put("isEnd", "1");
                    }
                }
            }
    
            dictionaryMap = map;
        }
    
        /**
         * 搜索文本中某个文字是否匹配关键词
         * @param text
         * @param beginIndex
         * @return
         */
        private static int checkWord(String text, int beginIndex) {
            if (dictionaryMap == null) {
                throw new RuntimeException("字典不能为空");
            }
            boolean isEnd = false;
            int wordLength = 0;
            Map<String, Object> curMap = dictionaryMap;
            int len = text.length();
            // 从文本的第beginIndex开始匹配
            for (int i = beginIndex; i < len; i++) {
                String key = String.valueOf(text.charAt(i));
                // 获取当前key的下一个节点
                curMap = (Map<String, Object>) curMap.get(key);
                if (curMap == null) {
                    break;
                } else {
                    wordLength ++;
                    if ("1".equals(curMap.get("isEnd"))) {
                        isEnd = true;
                    }
                }
            }
            if (!isEnd) {
                wordLength = 0;
            }
            return wordLength;
        }
    
        /**
         * 获取匹配的关键词和命中次数
         * @param text
         * @return
         */
        public static Map<String, Integer> matchWords(String text) {
            Map<String, Integer> wordMap = new HashMap<>();
            int len = text.length();
            for (int i = 0; i < len; i++) {
                int wordLength = checkWord(text, i);
                if (wordLength > 0) {
                    String word = text.substring(i, i + wordLength);
                    // 添加关键词匹配次数
                    if (wordMap.containsKey(word)) {
                        wordMap.put(word, wordMap.get(word) + 1);
                    } else {
                        wordMap.put(word, 1);
                    }
    
                    i += wordLength - 1;
                }
            }
            return wordMap;
        }
    
        //测试
        public static void main(String[] args) {
            List<String> list = new ArrayList<>();
            list.add("法轮");
            list.add("法轮功");
            list.add("冰毒");
            initMap(list);
            String content="我是一个好人，并不会卖冰毒，也不操练法轮功,我真的不卖冰毒";
            Map<String, Integer> map = matchWords(content);
            System.out.println(map);
        }
    }

# 四、自管理敏感词集成到文章审核中 #

--------------------

**①**：创建敏感词表，导入资料中**wm\_sensitive**到**leadnews\_wemedia**库中

(在表里面存入要过滤的敏感词数据)

![952bad18481746489021f0b727deca3d.png][]

package com.heima.model.wemedia.pojos;
    
    import com.baomidou.mybatisplus.annotation.IdType;
    import com.baomidou.mybatisplus.annotation.TableField;
    import com.baomidou.mybatisplus.annotation.TableId;
    import com.baomidou.mybatisplus.annotation.TableName;
    import lombok.Data;
    
    import java.io.Serializable;
    import java.util.Date;
    
    /**
     * <p>
     * 敏感词信息表
     * </p>
     *
     * @author itheima
     */
    @Data
    @TableName("wm_sensitive")
    public class WmSensitive implements Serializable {
    
        private static final long serialVersionUID = 1L;
    
        /**
         * 主键
         */
        @TableId(value = "id", type = IdType.AUTO)
        private Integer id;
    
        /**
         * 敏感词
         */
        @TableField("sensitives")
        private String sensitives;
    
        /**
         * 创建时间
         */
        @TableField("created_time")
        private Date createdTime;
    
    }

**②**：拷贝对应的wm\_sensitive的mapper到项目中

package com.heima.wemedia.mapper;
    
    import com.baomidou.mybatisplus.core.mapper.BaseMapper;
    import com.heima.model.wemedia.pojos.WmSensitive;
    import org.apache.ibatis.annotations.Mapper;
    
    
    @Mapper
    public interface WmSensitiveMapper extends BaseMapper<WmSensitive> {
    }

**③**：在文章审核的代码中添加自管理敏感词审核

第一：在WmNewsAutoScanServiceImpl中的autoScanWmNews方法上添加如下代码

//从内容中提取纯文本内容和图片
    //.....省略
    
    //自管理的敏感词过滤
    boolean isSensitive = handleSensitiveScan((String) textAndImages.get("content"), wmNews);
    if(!isSensitive) return;
    
    //2.审核文本内容  阿里云接口
    //.....省略

新增自管理敏感词审核代码（获取数据库的敏感词对文章内容进行过滤）

@Autowired
    private WmSensitiveMapper wmSensitiveMapper;
    
    /**
         * 自管理的敏感词审核
         * @param content
         * @param wmNews
         * @return
         */
    private boolean handleSensitiveScan(String content, WmNews wmNews) {
    
        boolean flag = true;
    
        //获取所有的敏感词
        List<WmSensitive> wmSensitives = wmSensitiveMapper.selectList(Wrappers.<WmSensitive>lambdaQuery().select(WmSensitive::getSensitives));
        List<String> sensitiveList = wmSensitives.stream().map(WmSensitive::getSensitives).collect(Collectors.toList());
    
        //初始化敏感词库
        SensitiveWordUtil.initMap(sensitiveList);
    
        //查看文章中是否包含敏感词
        Map<String, Integer> map = SensitiveWordUtil.matchWords(content);
        if(map.size() >0){
            updateWmNews(wmNews,(short) 2,"当前文章中存在违规内容"+map);
            flag = false;
        }
    
        return flag;
    }

##  ##

[Link 1]: https://so.csdn.net/so/search?q=%E9%BB%91%E9%A9%AC%E5%A4%B4%E6%9D%A1&spm=1001.2101.3001.7020
[2c5ec504606243a99bab25c512ca8be2.png]: https://img-blog.csdnimg.cn/2c5ec504606243a99bab25c512ca8be2.png
[701e2c02226d4bddbf2add913ab31895.png]: https://img-blog.csdnimg.cn/701e2c02226d4bddbf2add913ab31895.png
[952bad18481746489021f0b727deca3d.png]: https://img-blog.csdnimg.cn/952bad18481746489021f0b727deca3d.png