大部分论坛、网站等,为了方便管理,都进行了关于敏感词的设定。
在多数网站,敏感词一般是指带有敏感政治倾向(或反执政党倾向)、暴力倾向、不健康色彩的词或不文明语,也有一些网站根据自身实际情况,设定一些只适用于本网站的特殊敏感词。
比如,当你发贴的时候带有某些事先设定的词时,这个贴是不能发出的。或者这个词被自动替换为星号(*)或叉号(X)等,或者说是被和谐掉了。
在我看来敏感词过滤最重要的是在写过滤词汇的算法,如何过滤出大批量的敏感词,我感觉DFA的思想不错
DFA简介
在实现文字过滤的算法中,DFA是唯一比较好的实现算法。DFA即Deterministic Finite Automaton,也就是确定有穷自动机,它是是通过event和当前的state得到下一个state,即event+state=nextstate。下图展示了其状态的转换
在这幅图中大写字母(S、U、V、Q)都是状态,小写字母a、b为动作。通过上图我们可以看到如下关系
a b b
S -----> U S -----> V U -----> V
在实现敏感词过滤的算法中,我们必须要减少运算,而DFA在DFA算法中几乎没有什么计算,有的只是状态的转换。
Java实现DFA算法实现敏感词过滤
在Java中实现敏感词过滤的关键就是DFA算法的实现。首先我们对上图进行剖析。在这过程中我们认为下面这种结构会更加清晰明了。
同时这里没有状态转换,没有动作,有的只是Query(查找)。我们可以认为,通过S query U、V,通过U query V、P,通过V query U P。通过这样的转变我们可以将状态的转换转变为使用Java集合的查找。
诚然,加入在我们的敏感词库中存在如下几个敏感词:日本人、日本鬼子、毛.泽.东。那么我需要构建成一个什么样的结构呢?
首先:query 日 ---> {本}、query 本 --->{人、鬼子}、query 人 --->{null}、query 鬼 ---> {子}。形如下结构:
下面我们在对这图进行扩展:
这样我们就将我们的敏感词库构建成了一个类似与一颗一颗的树,这样我们判断一个词是否为敏感词时就大大减少了检索的匹配范围。比如我们要判断日本人,根据第一个字我们就可以确认需要检索的是那棵树,然后再在这棵树中进行检索。
这个思想留着以后用,我先写一个过滤词汇的一些简单方法,没有涉及到算法
Java代码实现
基本思路:重写HttpServletRequestWrapper中的getParameter方法,让用户输入的字通过这个过滤,写一个类继承他,重写方法,在写一个过滤词汇的词典,来与输入的对比
先写一个jsp页面,js是用Ajax去刷新的,最近学的想用用试试看,感觉不错,Ajax是需要引js文件的<body>
<input type="text" name="word" id="filter"/>
<input type="submit" value="敏感词过滤" />
<script type="text/javascript" src="js/jquery.js"></script>
<script type="text/javascript">
function filter(num){
$.ajax({
type:"post",//提交方式
url:"FilterWordServlet",
async:true,//是否异步请求
dataType:"html",//数据的返回类型
data:{"num":num},//数据传过去的值
success:function(data,textStatus){//成功的执行之后,回调这个函数处理事务
$("#filter").val(data);
},
error:function(){//失败执行这个函数,处理失败的事务
alert("error");
}
})
}
</script>
</body>
再继承HttpServletRequestWrapper在重写getParameter方法,//主要思路是继承HttpServletRequestWrapper,去改写他的getParameter方法,让其有过滤的业务
public class WordFilter extends HttpServletRequestWrapper{
public WordFilter(HttpServletRequest request) {
super(request);
// TODO Auto-generated constructor stub
}
@Override
public String getParameter(String name){
//先得到父亲的方法,传入值,得到的值在跟过滤字典中的比较看是否含有,有则替换,没有放过返回
String word=super.getParameter(name);
//调用字典中的文字
List<String> list=Words.getList();
for (String string : list) {
//判断是否含有这样字典中的文字
if (word.contains(string)) {
//将字符串中含有的替换掉
word=word.replace(string, "**");
}
}
return word;
}
}
再写一个Servlet,去获取用户输入的字,进行过滤操作@WebServlet("/FilterWordServlet")
public class FilterWordServlet extends HttpServlet {
private static final long serialVersionUID = 1L;
protected void doGet(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {
//设置请求和编码格式
request.setCharacterEncoding("utf-8");
response.setCharacterEncoding("utf-8");
//自己创建的请求方法,继承与原来的,改写了getParameter方法让其有过滤的业务
WordFilter wFilter=new WordFilter(request);
String string=wFilter.getParameter("num");
System.out.println("---------------");
//out的响应方法。输出在页面上,让ajax得到这个去处理一些业务
PrintWriter out=response.getWriter();
out.println(string);
}
protected void doPost(HttpServletRequest request, HttpServletResponse response) throws ServletException, IOException {
// TODO Auto-generated method stub
doGet(request, response);
}
}
我自己建了一个list集合的过滤词汇,以后修改可以从这里开始词汇的搜索算法,先建一个词汇类public class Words {
//过滤词汇的词典
static List<String> list=new ArrayList<>();
static{
list.add("你妹的");
list.add("sb");
list.add("滚");
}
public static List<String> getList() {
return list;
}
public static void setList(List<String> list) {
Words.list = list;
}
}
这只是最基础的一种。高级的需要算法的实现,可以思考一下这个DFA算法,我感觉很不错
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持CodeAE代码之家 。