利用利用字典树（前缀树）过滤敏感词

川长思鸟来 2024-02-19 13:35 39阅读 0赞

#### 字典树介绍 ####

![Image 1][]

Paste\_Image.png

*  又称单词查找树，[Trie树][Trie]，是一种[树形结构][Link 1]，是一种哈希树的变种。典型应用是用于统计，排序和保存大量的[字符][Link 2]串（但不仅限于字符串），所以经常被搜索引擎系统用于文本词频统计。它的优点是：**利用字符串的公共前缀来减少查询时间，最大限度地减少无谓的字符串比较，查询效率比[哈希][Link 3]树高。**

特性

*  **根节点不包含字符，除根节点外每一个节点都只包含一个字符**
 *  从根节点到某一节点，路径上经过的字符连接起来，为该节点对应的字符串
 *  **每个节点的所有子节点包含的字符都不相同。**

**显然面对大量文本和大量敏感词，利用字典树过滤敏感词是明智而有效的，可以大量的减少重复的抖动，从而降低时间复杂度。**

#### 算法描述 ####

1.  通过读入的一个个敏感词来构造我们自己的字典树，可以将敏感词放到配置文件中...

*  首先创建字典树的**结点**。
    
     *  我们可以定义一个boolean成员变量**isEnd**来标识当前结点是否是敏感词的结尾字，即该节点连上其上面的结点可以构成一个敏感词。
     *  定义一个**Map**成员变量来存储当前结点的**所有子节点（一层）**（根节点不包含字符）
     *  对外提供一些方法如：添加、获得结点。以方便构造字典树
 *  **结点**的类定义代码如下：

private class TrieNode{
    
            /**
             * 标识当前结点是否是一个“关键词”的最后一个结点
             * true 关键词的终结 false 继续
             */
            private boolean isEnd = false;
    
            /**
             * 用map来存储当前结点的所有子节点，非常的方便
             * key 下一个字符 value 对应的结点
             */
            private Map<Character , TrieNode> subNodes = new HashMap<>();
    
            /**
             * 向指定位置添加结点树
             * @param key
             * @param node
             */
            public void addSubNode(Character key , TrieNode node){
                subNodes.put(key , node);
            }
    
            /**
             * 根据key获得相应的子节点
             * @param key
             * @return
             */
            public TrieNode getSubNode(Character key){
                return subNodes.get(key);
            }
    
            //判断是否是关键字的结尾
            public boolean isKeyWordEnd(){
                return isEnd;
            }
    
            //设置为关键字的结尾
            public void setKeyWordEnd(boolean isEnd){
                this.isEnd = isEnd;
            }
        }

2.构造字典树

/**
         * 核心算法一：构建字典树
         * 根据输入的字符串，逐步构建字典树
         * @param textLine
         */
        private void addDirTreeNode(String textLine){
            //边界处理
            if(textLine == null)
                return;
            //临时结点指向根结点
            TrieNode tempNode = root;
            for(int i = 0; i < textLine.length(); i++){
                char charWord = textLine.charAt(i);
    
                //直接跳过非法文字
                if (isSymbol(charWord))
                    continue;
    
                TrieNode node = tempNode.getSubNode(charWord);
                if (node == null){
                    //说明tempNode第一次碰到该关键字结点
                    node = new TrieNode();
                    tempNode.addSubNode(charWord , node);
                }
    
                //tempNode指向下一个结点，开始下一次循环
                tempNode = node;
    
                //到敏感词的最后一个字时，标记为红色（关键词结尾）
                if (i == textLine.length() - 1)
                    tempNode.setKeyWordEnd(true);
            }
        }

3.过滤算法

*  定义三个指针
 *  tempNode ： 指向字典树的根节点。
 *  position ：当前比较的位置，开始下标0
 *  begin ： begin总是不断向前，position匹配失败的时候，需要回滚。开始下标为0.
    
     *  position所在位置的字符，字典树的根节点的所有子节点中没有该字符，则说明该字符不可能构成敏感词，因此begin、position均可前进一位，同时tempNode回溯到根节点。

if (tempNode == null){
                    //以begin开始的字符串不存在敏感词
                    results.append(text.charAt(begin));
                    position = begin + 1;
                    begin = position;
                    tempNode = root;
                }

*  position向前不断移动，并且和字典树中的敏感词一一对应，最终到tempNode指向isEnd为true的结点时，匹配成功，需要替换敏感词，并且position需要前进一位，begin移动到和position相同的位置。

else if (tempNode.isKeyWordEnd()){
                    results.append(DEFAULT_REPLACE_SENSITIVE);
                    position = position + 1;
                    begin = position;
                    tempNode = root;
                }

*  过滤算法详细代码

/**
         * 核心算法二：
         * 过滤文本中的敏感词汇
         * @param text
         * @return
         */
        public String filterWords(String text){
            if (StringUtils.isBlank(text))
                return text;
    
            StringBuilder results = new StringBuilder();
            TrieNode tempNode = root;
            int begin = 0;//回滚数
            int position = 0;//当前比较的位置
    
            while (position < text.length()){
                char word = text.charAt(position);
    
                if (isSymbol(word)){
                    if (tempNode == root){
                        results.append(word);
                        ++begin;
                    }
                    ++position;
                    continue;
                }
    
                tempNode = tempNode.getSubNode(word);
    
                if (tempNode == null){
                    //以begin开始的字符串不存在敏感词
                    results.append(text.charAt(begin));
                    position = begin + 1;
                    begin = position;
                    tempNode = root;
                }else if (tempNode.isKeyWordEnd()){
                    results.append(DEFAULT_REPLACE_SENSITIVE);
                    position = position + 1;
                    begin = position;
                    tempNode = root;
                }else {
                    ++position;
                }
            }
    
            results.append(text.substring(begin));
            return results.toString();
        }

#### 算法实现 ####

优化点

*  过滤非法字符（颜文字、空格...）即不可能组成敏感词的字符，提高算法准确性、性能...。

/**
         * 判断是否是非法字符（即不可能存在敏感词汇的字）
         * @param character
         * @return true：非法字符
         */
        private boolean isSymbol(Character character){
            int ic = (int)character;
            //东亚文字 0x2e80 —— 0x9fff
            return !CharUtils.isAsciiAlphanumeric(character) && (ic < 0x2e80 || ic > 0x9fff);
        }

全部源码

import java.util.HashMap;
    import java.util.Map;
    
    public class Test {
        //默认敏感词替换符
        private static final String DEFAULT_REPLACEMENT = "敏感词";
        //根节点
        private TrieNode rootNode = new TrieNode();
    
        private class TrieNode {
            /**
             * true 关键词的终结 ； false 继续
             */
            private boolean end = false;
    
            /**
             * key下一个字符，value是对应的节点
             */
            private Map<Character, TrieNode> subNodes = new HashMap<Character ,TrieNode>();
    
            /**
             * 向指定位置添加节点树
             */
            void addSubNode(Character key, TrieNode node) {
                subNodes.put(key, node);
            }
            /**
             * 获取下个节点
             */
            TrieNode getSubNode(Character key) {
                return subNodes.get(key);
            }
    
            boolean isKeywordEnd() {
                return end;
            }
    
            void setKeywordEnd(boolean end) {
                this.end = end;
            }
        }
    
        //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 !((c >= '0' && c <= '9') || (c >= 'a' && c <= 'z')|| (c >= 'A' && c <= 'Z')) && (ic < 0x2E80 || ic > 0x9FFF);
        }
    
    
        /**
         * 过滤敏感词
         */
        public String filter(String text) {
            if (text.trim().length() == 0) {
                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();
        }
    
        /**
         * 构造字典树
         * @param lineTxt
         */
        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);
                }
            }
        }
    
        public static void main(String[] argv) {
            Test s = new Test();
            s.addWord("sb");
            s.addWord("zz");
            System.out.print(s.filter("klsfjkzzlsO(∩_∩)Odjflksbj"));
        }
    }

*  运行结果  
    klsfjk敏感词lsO(∩\_∩)Odjflk敏感词j

[Image 1]: 
[Trie]: https://link.jianshu.com?t=http%3A%2F%2Fbaike.baidu.com%2Fitem%2FTrie%25E6%25A0%2591
[Link 1]: https://link.jianshu.com?t=http%3A%2F%2Fbaike.baidu.com%2Fitem%2F%25E6%25A0%2591%25E5%25BD%25A2%25E7%25BB%2593%25E6%259E%2584
[Link 2]: https://link.jianshu.com?t=http%3A%2F%2Fbaike.baidu.com%2Fitem%2F%25E5%25AD%2597%25E7%25AC%25A6
[Link 3]: https://link.jianshu.com?t=http%3A%2F%2Fbaike.baidu.com%2Fitem%2F%25E5%2593%2588%25E5%25B8%258C