当前位置：首页 > 编程语言 > Python过滤敏感词汇

Python过滤敏感词汇

2021-02-01 10:14

阅读：357

标签：相同   search   组合   png   data-   return   第一个   发布会   状态   

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

 

 
 
 
 
 
Python
 
1
2
3
4
5
6
7
8
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

 

 
 
 
 
 
Python
 
1
2
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：

技术图片
技术图片

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：

 

 
 
 
 
 
Python
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
{
    ‘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。

 

 
 
 
 
 
Python
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
# -*- 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

 

 
 
 
 
 
Python
 
1
2
3
4
5
6
傻逼
傻子
傻大个
坏蛋
坏人
 

 

运行结果

 

 
 
 
 
 
Python
 
1
2
3
4
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

 

 
 
 
 
 
Python
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
# -*- 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

上一篇：面试题45：把数组排成最小的数（C++）

下一篇：确定比赛名次 UDU-1285 + 逃生 UDU 4857 拓扑排序（找不同）

文章来自：搜素材网的编程语言模块，转载请注明文章出处。
文章标题：Python过滤敏感词汇
文章链接：http://soscw.com/index.php/essay/49437.html

评论

亲，登录后才可以留言！

热门文章

推荐文章

最新文章

置顶文章

关于我们 | 版权声明 | 常见问题 | 素材投稿 | 联系我们 | 网站地图 |
搜素材网素材除本站原创外均由用户分享，若发现权利被侵害，请联系及时联系我们，我们会在第一时间进行处理。
特别说明：本站所有资源除本站原创外仅供学习与参考，请勿用于商业用途,如有侵犯您的版权请联系客服服务QQ：点击这里给我发消息
Copyright © 2024 soscw.com 搜素材网素材网版权所有 蜀ICP备18015633号-1