当前位置:编程学习 > python >>

后端基于Python的DFA过滤算法 敏感词过滤

后端基于Python的DFA过滤算法:

一:整个敏感词过滤来说,需要考虑到性能,因此需要将敏感词加载成字典结构的JSON文件
################################
# 初始化敏感词字典
################################
class initSensitiveWords(object):
    # 敏感词文本文件以逗号分隔
    def __init__(self):
        self.sensitiveWord_dict = {}
        self.delimit = '\x00'

    def construct_dict(self, sensitiveWord):
        #构造敏感词字典
        sensitiveWord = sensitiveWord.lower()
        chars = sensitiveWord.strip()
        if not chars:
            return
        current_level = self.sensitiveWord_dict
        # 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 current_level:
                current_level = current_level[chars[i]]
            else:
                if not isinstance(current_level, dict):
                    break
                for j in range(i, len(chars)):
                    current_level[chars[j]] = {}
                    last_level, last_char = current_level, chars[j]
                    current_level = current_level[chars[j]]
                last_level[last_char] = {self.delimit: 0}
                break
            if i == len(chars) - 1:
                current_level[self.delimit] = 0

    def write_as_json(self,text_path, json_path = 'sensitiveWords.json'):
        # 构造字典并写入文件
        with open(text_path, 'r', encoding='utf8') as f1, \
                open(json_path, 'w', encoding='utf8') as f2:
            for sensitiveWord in f1.read().split(','):
                self.construct_dict(str(sensitiveWord).strip())
            import json
            f2.write(json.dumps(self.sensitiveWord_dict))

text_path = '敏感词1易做图'
json_path = 'sensitiveWords1.json'
obj = initSensitiveWords()

obj.write_as_json(text_path, json_path)


二:使用DFA算法实现敏感词过滤
###################################
#Python实现敏感词过滤DFA算法
###################################
import os
path = os.path.join(os.getcwd(), 'sensitiveWords.json')
class DFAFilter(object):
    def __init__(self, path):
        self.keyword_chains = {}
        self.delimit = '\x00'
        self.path = path
        self._parse()

    def _parse(self):
        #加载敏感词字典
        with open(self.path, encoding='utf-8') as f:
            import json
            self.keyword_chains = json.loads(f.read())

    def filter(self, message, repl="*"):
        #敏感词过滤
        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)
在算法实现之后经过测试:

import time
import random
from utils.msgFilter import msgFilter

################################################
####################测试素材生成##################
with open('dirty.txt','r',encoding='utf8') as f:
    dirty = f.read().split('\n')

with open('new.txt','w',encoding='utf8') as f:
    for i in range(10000):
        msg = random.choice(dirty)
        f.write(msg+'\n')
#################################################



#################################################
###################过滤性能测试####################
with open('new.txt','r',encoding='utf8') as f:
    dirty = f.read().split('\n')

start = time.time()
for msg in dirty:
    msgFilter.filter(msg)
stop = time.time()
print(stop-start)

##################################################


三:测试结果,一万条文本信息过滤时间(基于单例模式的过滤)

0.5772008895874023


四:JS实现的DFA算法
 
function check(keyword_chains, content) {
    var ret = [];
    var delimit = '\x00';
    var start = 0;

    while (start < content.length) {
        let level = keyword_chains;
        let step_ins = 0;
        let string = content.substr(start, content.length);
        console.log(string);
        for (let i = 0; i < string.length; i++) {
            let char = string[i];
            console.log(char);
            if (char in level) {
                step_ins += 1;
                if (delimit in level[char]) {
                    for (let i = 0; i < step_ins; i++) {
                        ret.push('*')
                    }
                    start += step_ins - 1;
                    break
                }
                else {
                    level = level[char]
                }
            } else {
                ret.push(content[start]);
                break
            }
        }
        start += 1
    }
    console.log(ret.join(''));
    return ret.join('')
}
jsDFA
 
CopyRight © 2022 站长资源库 编程知识问答 zzzyk.com All Rights Reserved
部分文章来自网络,