[关闭]
@eternity 2014-09-01T23:21:50.000000Z 字数 3562 阅读 2974

关于java中敏感词检测的一些总结

编程 java

之前项目里客户提出一个需求，需要对系统中使用文本转化成语音发送的功能进行敏感词检测，禁止用户提交有敏感词的语音。通过查询各方面资料，整理了大概几种方案:

  1. 项目启动时对载入敏感词库作为缓存（一个大map，敏感词为key，取任意值为value）。 对请求传入的文本分词，遍历分词结果，每个分词在map中查找，如果有值，则请求文本存在敏感词。
  2. 把敏感词库拼接成一个大的正则表达式，然后直接对文本匹配。
  3. 使用DFA（确定性有限状态自动机） DFA算法

对于方案选择，在网上参考了很多别人的代码。最简单的是方法2使用正则表达式，但是据说文本一长会有很大的效率问题。关于方法3DFA算法，由于在学校的时候算法课和编译原理没有认真听讲（惭愧= =||），直接就忽略这方法了，所以最后还是决定使用方法1。
其实方法1还是有很多可以改进的方法，后来又参考了这个帖子12楼中的方法，使用索引数组加关联数组的方式，提高了检索效率,甚至连分词的步骤都省掉了。整个实现代码如下。

  1. package com.ffcs.cbox.common.utils;
  3. import org.apache.commons.io.FileUtils;
  4. import org.apache.commons.lang.StringUtils;
  6. import java.io.IOException;
  8. import java.util.ArrayList;
  9. import java.util.HashMap;
  10. import java.util.List;
  11. import java.util.Map;
  14. /**
  15. * User: eternity
  16. * Date: 2014/8/11
  17. * Time: 16:17
  18. * 敏感词检测类
  19. * 敏感词检测初始化规则：
  20. * 将敏感词从词库载入，按照2字、3字、4字、5字等字数各生成一个敏感词哈希表。
  21. * 在将这些哈希表组成一个数组banWordsList，数组下标表示该敏感词表字数
  22. * banWordsList[2] = {某马:true,屏蔽:true,啦啦:true};
  23. * banWordsList[3] = {某个马:true,三个字:true,啦啦啦:true,小广告:true};
  24. * banWordsList[4] = {某个坏银:true,四个字符:true,哈哈哈哈:true,就爱凤姐:true};
  25. * banWordsList[5] = {某个大法好:true,五个敏感字:true};
  26. * 根据上面几组组敏感词，自动生成以下索引
  27. * 生成规则为，索引名是敏感词第一个字，值是一个int
  28. * 该int的规则为，该int转换成二进制时，第i位为1表示上面4表存在长度为i的敏感词，否则不存在长度为i的敏感词(10000)
  29. * wordIndex = {二:0x04,三:0x08,四:0x10,五:0x20,某:0x3c,啦:0x0c,哈:0x10,小:0x08,就:0x10};
  30. *
  31. * 检查规则如下:
  32. * 1，逐字检验，是否该字在wordIndex索引表中。
  33. * 2，如果不在表中，继续检验
  34. * 3，如果在表中，根据索引表该键的值，取此字以及此字后的若干字检验详细表banWordsList[索引词长]。
  35. *
  36. * 检验例子
  37. * 有一段如下文字，检验其是否包含敏感词：
  38. “我就打小广告，气死版主”
  39. ——检测“我”
  40. |-不在索引表
  41. ——检测“就”
  42. |-在索引表
  43. |-“就”的索引值是0x10，表示有4字以“就”开头的敏感词
  44. |-取“就”和后面的字共4个，组成“就打小广”
  45. |-查4字敏感词表，没有这项，继续
  46. ——检测“打”
  47. |-不在索引表
  48. ——检测“小”
  49. |-在索引表
  50. |-索引值是0x08，表示有3字长度的敏感词
  51. |-取“小”和“小”后面的字，共3个字组成一个词“小广告”
  52. |-“小广告”在3字敏感词中，此帖包含敏感词，禁止发布
  53. */
  54. public class BanWordsUtil {
  55.     // public Logger logger = Logger.getLogger(this.getClass());
  56.     public static final int WORDS_MAX_LENGTH = 10;
  57.     public static final String BAN_WORDS_LIB_FILE_NAME = "banWords.txt";
  59.     //敏感词列表
  60.     public static Map[] banWordsList = null;
  62.     //敏感词索引
  63.     public static Map<String, Integer> wordIndex = new HashMap<String, Integer>();
  65.     /*
  66.     * 初始化敏感词库
  67.     */
  68.     public static void initBanWordsList() throws IOException {
  69.         if (banWordsList == null) {
  70.             banWordsList = new Map[WORDS_MAX_LENGTH];
  72.             for (int i = 0; i < banWordsList.length; i++) {
  73.                 banWordsList[i] = new HashMap<String, String>();
  74.             }
  75.         }
  77.         //敏感词词库所在目录，这里为txt文本，一个敏感词一行
  78.         String path = BanWordsUtil.class.getClassLoader()
  79.                                         .getResource(BAN_WORDS_LIB_FILE_NAME)
  80.                                         .getPath();
  81.         System.out.println(path);
  83.         List<String> words = FileUtils.readLines(FileUtils.getFile(path));
  85.         for (String w : words) {
  86.             if (StringUtils.isNotBlank(w)) {
  87.                 //将敏感词按长度存入map
  88.                 banWordsList[w.length()].put(w.toLowerCase(), "");
  90.                 Integer index = wordIndex.get(w.substring(0, 1));
  92.                 //生成敏感词索引，存入map
  93.                 if (index == null) {
  94.                     index = 0;
  95.                 }
  97.                 int x = (int) Math.pow(2, w.length());
  98.                 index = (index | x);
  99.                 wordIndex.put(w.substring(0, 1), index);
  100.             }
  101.         }
  102.     }
  104.     /**
  105.     * 检索敏感词
  106.     * @param content
  107.     * @return
  108.     */
  109.     public static List<String> searchBanWords(String content) {
  110.         if (banWordsList == null) {
  111.             try {
  112.                 initBanWordsList();
  113.             } catch (IOException e) {
  114.                 throw new RuntimeException(e);
  115.             }
  116.         }
  118.         List<String> result = new ArrayList<String>();
  120.         for (int i = 0; i < content.length(); i++) {
  121.             Integer index = wordIndex.get(content.substring(i, i + 1));
  122.             int p = 0;
  124.             while ((index != null) && (index > 0)) {
  125.                 p++;
  126.                 index = index >> 1;
  128.                 String sub = "";
  130.                 if ((i + p) < (content.length() - 1)) {
  131.                     sub = content.substring(i, i + p);
  132.                 } else {
  133.                     sub = content.substring(i);
  134.                 }
  136.                 if (((index % 2) == 1) && banWordsList[p].containsKey(sub)) {
  137.                     result.add(content.substring(i, i + p));
  139.                     // System.out.println("找到敏感词："+content.substring(i,i+p));
  140.                 }
  141.             }
  142.         }
  144.         return result;
  145.     }
  147.     public static void main(String[] args) throws IOException {
  148.         String content = "含有敏感词的测试语句。";
  149.         BanWordsUtil.initBanWordsList();
  150.         List<String> banWordList = BanWordsUtil.searchBanWords(content);
  151.         for(String s : banWordLis){
  152.          System.out.println("找到敏感词："+s);
  153.         }
  154.     }
  155. }

上面测试语文本里面其实没有敏感词（我也怕被屏蔽XD）,测试的时候随便加入几个敏感词都能检测出来的。这样就实现了一个简易又快速的敏感词检测，当然如果有需要比较复杂的检测逻辑(比如说“弹吉他妈妈真漂亮”这样的)，还是要用到分词工具把词拆分一下的。

第一次用Markdown写作，哈哈 ：）

添加新批注
在作者公开此批注前，只有你和作者可见。
回复批注