一、前言
開發中經常要處理用戶一些文字的提交，所以涉及到了敏感詞過濾的功能，參考資料中DFA有窮狀態機算法的實現，創建有向圖。完成了對敏感詞、廣告詞的過濾，而且效率較好，所以分享一下。
具體實現：
1、匹配大小寫過濾
2、匹配全角半角過濾
3、匹配過濾停頓詞過濾。
4、敏感詞重複詞過濾。
例如：
支持如下類型類型過濾檢測：
fuck 全小寫
FuCk 大小寫
ｆｕｃｋ全角半角
f!!!u&c ###k 停頓詞
fffuuuucccckkk 重複詞
敏感詞過濾的做法有很多，我簡單描述我現在理解的幾種：
①查詢數據庫當中的敏感詞，循環每一個敏感詞，然後去輸入的文本中從頭到尾搜索一遍，看是否存在此敏感詞，有則做相
應的處理，這種方式講白了就是找到一個處理一個。
優點：so easy。用java代碼實現基本沒什麼難度。
缺點：這效率讓我心中奔過十萬匹草泥馬，而且匹配的是不是有些蛋疼，如果是英文時你會發現一個很無語的事情，比如英文
a是敏感詞，那我如果是一篇英文文檔，那程序它妹的得處理多少次敏感詞？誰能告訴我？
②傳說中的DFA算法（有窮自動機）,也正是我要給大家分享的，畢竟感覺比較通用，算法的原理希望大家能夠自己去網上查查
資料，這裡就不詳細說明了。
優點：至少比上面那sb效率高點。
缺點：對於學過算法的應該不難，對於沒學過算法的用起來也不難，就是理解起來有點gg疼，匹配效率也不高，比較耗費內存，
敏感詞越多，內存佔用的就越大。
③第三種在這裡要特別說明一下，那就是你自己去寫一個算法吧，或者在現有的算法的基礎上去優化，這也是小Alan追求的至
高境界之一，如果哪位淫兄有自己的想法一定別忘了小Alan，可以加小Alan的QQ：810104041教小Alan兩招耍耍。
二、代碼實現
其目錄結構如下：
其中resources資源目錄中：
stopwd.txt ：停頓詞，匹配時間直接過濾。
wd.txt：敏感詞庫。
1、WordFilter敏感詞過濾類
package org.andy.sensitivewdfilter; import java.io.BufferedReader; import java.io.IOException; import java.io.InputStreamReader; import java.util.ArrayList; import java.util.HashMap; import java.util.HashSet; import java.util.List; import java.util.Map; import java.util.Set; import org.andy.sensitivewdfilter.util.BCConvert; /** * 創建時間：2016年8月30日下午3:01:12 * * 思路： 創建一個FilterSet，枚舉了0~65535的所有char是否是某個敏感詞開頭的狀態* * 判斷是否是敏感詞開頭| | 是不是獲取頭節點OK--下一個字然後逐級遍歷，DFA算法* * @author andy * @version 2.2 */ public class WordFilter { private static final FilterSet set = new FilterSet(); // 存儲首字private static final Map<Integer, WordNode> nodes = new HashMap<Integer, WordNode>(1024, 1); // 存儲節點private static final Set<Integer> stopwdSet = new HashSet<>(); // 停頓詞private static final char SIGN = '*'; // 敏感詞過濾替換static { try { long a = System.nanoTime(); init(); a = System.nanoTime() - a; System.out.println("加載時間: " + a + "ns"); System.out.println("加載時間: " + a / 1000000 + "ms"); } catch (Exception e) { throw new RuntimeException("初始化過濾器失敗"); } } private static void init() { // 獲取敏感詞addSensitiveWord(readWordFromFile("wd.txt")); addStopWord(readWordFromFile("stopwd.txt")); } /** * 增加敏感詞* @param path * @return */ private static List<String> readWordFromFile(String path) { List<String> words; BufferedReader br = null; try { br = new BufferedReader(new InputStreamReader(WordFilter.class.getClassLoader().getResourceAsStream(path))); words = new ArrayList<String>(1200); for (String buf = ""; (buf = br.readLine()) != null;) { if (buf == null || buf.trim().equals("")) continue; words.add(buf); } } catch (Exception e) { throw new RuntimeException(e); } finally { try { if (br != null) br.close(); } catch (IOException e) { } } return words; } /** * 增加停頓詞* * @param words */ private static void addStopWord(final List<String> words) { if (words != null && words.size() > 0) { char[] chs; for (String curr : words) { chs = curr.toCharArray(); for (char c : chs) { stopwdSet.add(charConvert(c)); } } } } /** * 添加DFA節點* @param words */ private static void addSensitiveWord(final List<String> words) { if (words != null && words.size() > 0) { char[] chs; int fchar; int lastIndex; WordNode fnode; // 首字母節點for (String curr : words) { chs = curr.toCharArray(); fchar = charConvert(chs[0]); if (!set.contains(fchar)) {// 沒有首字定義set.add(fchar);// 首字標誌位可重複add,反正判斷了，不重複了fnode = new WordNode(fchar, chs.length == 1); nodes.put(fchar, fnode); } else { fnode = nodes.get(fchar); if (!fnode.isLast() && chs.length == 1) fnode.setLast(true); } lastIndex = chs.length - 1; for (int i = 1; i < chs.length; i++) { fnode = fnode.addIfNoExist(charConvert(chs[i]), i == lastIndex); } } } } /** * 過濾判斷將敏感詞轉化為成屏蔽詞* @param src * @return */ public static final String doFilter(final String src) { char[] chs = src.toCharArray(); int length = chs.length; int currc; int k; WordNode node; for (int i = 0; i < length; i++) { currc = charConvert(chs[i]); if (!set.contains(currc)) { continue; } node = nodes.get(currc);// 日2 if (node == null)// 其實不會發生，習慣性寫上了continue; boolean couldMark = false; int markNum = -1; if (node.isLast()) {// 單字匹配（日） couldMark = true; markNum = 0; } // 繼續匹配（日你/日你妹），以長的優先// 你-3 妹-4 夫-5 k = i; for (; ++k < length;) { int temp = charConvert(chs[k]); if (stopwdSet.contains(temp)) continue; node = node.querySub(temp); if (node == null)// 沒有了break; if (node.isLast()) { couldMark = true; markNum = k - i;// 3-2 } } if (couldMark) { for (k = 0; k <= markNum; k++) { chs[k + i] = SIGN; } i = i + markNum; } } return new String(chs); } /** * 是否包含敏感詞* @param src * @return */ public static final boolean isContains(final String src) { char[] chs = src.toCharArray(); int length = chs.length; int currc; int k; WordNode node; for (int i = 0; i < length; i++) { currc = charConvert(chs[i]); if (!set.contains(currc)) { continue; } node = nodes.get(currc);// 日2 if (node == null)// 其實不會發生，習慣性寫上了continue; boolean couldMark = false; if (node.isLast()) {// 單字匹配（日） couldMark = true; } // 繼續匹配（日你/日你妹），以長的優先// 你-3 妹-4 夫-5 k = i; for (; ++k < length;) { int temp = charConvert(chs[k]); if (stopwdSet.contains(temp)) continue; node = node.querySub(temp); if (node == null)// 沒有了break; if (node.isLast()) { couldMark = true; } } if (couldMark) { return true; } } return false; } /** * 大寫轉化為小寫全角轉化為半角* * @param src * @return */ private static int charConvert(char src) { int r = BCConvert.qj2bj(src); return (r >= 'A' && r <= 'Z') ? r + 32 : r; } }其中：
isContains ：是否包含敏感詞
doFilter：過濾敏感詞
2、WordNode敏感詞節點
package org.andy.sensitivewdfilter; import java.util.LinkedList; import java.util.List; /** * 創建時間：2016年8月30日下午3:07:45 * * @author andy * @version 2.2 */ public class WordNode { private int value; // 節點名稱private List<WordNode> subNodes; // 子節點private boolean isLast;// 默認false public WordNode(int value) { this.value = value; } public WordNode(int value, boolean isLast) { this.value = value; this.isLast = isLast; } /** * * @param subNode * @return 就是傳入的subNode */ private WordNode addSubNode(final WordNode subNode) { if (subNodes == null) subNodes = new LinkedList<WordNode>(); subNodes.add(subNode); return subNode; } /** * 有就直接返回該子節點， 沒有就創建添加並返回該子節點* * @param value * @return */ public WordNode addIfNoExist(final int value, final boolean isLast) { if (subNodes == null) { return addSubNode(new WordNode(value, isLast)); } for (WordNode subNode : subNodes) { if (subNode.value == value) { if (!subNode.isLast && isLast) subNode.isLast = true; return subNode; } } return addSubNode(new WordNode(value, isLast)); } public WordNode querySub(final int value) { if (subNodes == null) { return null; } for (WordNode subNode : subNodes) { if (subNode.value == value) return subNode; } return null; } public boolean isLast() { return isLast; } public void setLast(boolean isLast) { this.isLast = isLast; } @Override public int hashCode() { return value; } }三、測試結果
項目包含敏感詞庫，源碼，停頓詞庫等，只需運行maven打jar包直接可運行。
項目源碼：sensitivewd-filter_jb51.rar
以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持武林網。