DFA敏感詞過濾算法的python實現

在網上查了下敏感詞過濾方案，找到了一種名為DFA的算法，即Deterministic Finite

Automaton算法，翻譯成中文就是確定有窮自動機算法。它的基本思想是基于狀態轉移來檢索敏感詞，只需要掃描一次待檢測文本，就能對所有敏感詞進行檢測，所以效率比方案一高不少。

假設我們有以下5個敏感詞需要檢測：傻逼、傻子、傻大個、壞蛋、壞人。那么我們可以先把敏感詞中有相同前綴的詞組合成一個樹形結構，不同前綴的詞分屬不同樹形分支，以上述5個敏感詞為例，可以初始化成如下2棵樹：

把敏感詞組成成樹形結構有什么好處呢？最大的好處就是可以減少檢索次數，我們只需要遍歷一次待檢測文本，然后在敏感詞庫中檢索出有沒有該字符對應的子樹就行了，如果沒有相應的子樹，說明當前檢測的字符不在敏感詞庫中，則直接跳過繼續檢測下一個字符；如果有相應的子樹，則接著檢查下一個字符是不是前一個字符對應的子樹的子節點，這樣迭代下去，就能找出待檢測文本中是否包含敏感詞了。

我們以文本“你是不是傻逼”為例，我們依次檢測每個字符，因為前4個字符都不在敏感詞庫里，找不到相應的子樹，所以直接跳過。當檢測到“傻”字時，發現敏感詞庫中有相應的子樹，我們把他記為tree-1，接著再搜索下一個字符“逼”是不是子樹tree-1的子節點，發現恰好是，接下來再判斷“逼”這個字符是不是葉子節點，如果是，則說明匹配到了一個敏感詞了，在這里“逼”這個字符剛好是tree-1的葉子節點，所以成功檢索到了敏感詞：“傻逼”。大家發現了沒有，在我們的搜索過程中，我們只需要掃描一次被檢測文本就行了，而且對于被檢測文本中不存在的敏感詞，如這個例子中的“壞蛋”和“壞人”，我們完全不會掃描到，因此相比方案一效率大大提升了。

在python中，我們可以用dict來存儲上述的樹形結構，還是以上述敏感詞為例，我們把每個敏感詞字符串拆散成字符，再存儲到dict中，可以這樣存：

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

import time

time1 = time.time()

# DFA算法

class DFAFilter(object):

def __init__(self):

self.keyword_chains = {} # 關鍵詞鏈表

self.delimit = '\x00' # 限定

def add(self, keyword):

keyword = keyword.lower() # 關鍵詞英文變為小寫

chars = keyword.strip() # 關鍵字去除首尾空格和換行

if not chars: # 如果關鍵詞為空直接返回

return

level = self.keyword_chains

# 遍歷關鍵字的每個字

for i in range(len(chars)):

# 如果這個字已經存在字符鏈的key中就進入其子字典

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 = "./1.txt"

gfw.parse(path)

text = "你真是個大傻逼，大傻子，傻大個，大壞蛋，壞人。"

result = gfw.filter(text)

print(text)

print(result)

time2 = time.time()

print('總共耗時：' + str(time2 - time1) + 's')

{'傻': {'大': {'個': {'\x00': 0}}, '逼': {'\x00': 0}}, '壞': {'人': {'\x00': 0}}}

你真是個大傻逼，大傻子，傻大個，大壞蛋，壞人。

你真是個大**，大傻子，***，大壞蛋，**。

總共耗時：0.0s

總結

以上是生活随笔為你收集整理的python敏感词过滤代码简单_DFA敏感词过滤算法的python实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。