Python 敏感词过滤的实现示例

目录

•  一个简单的实现

• 使用BSF(宽度优先搜索)进行实现

• 使用DFA(Deterministic Finite Automaton)进行实现

 一个简单的实现

主要是通过循环和replace的方式进行敏感词的替换

class NaiveFilter():

'''Filter Messages from keywords

very simple filter implementation

>>> f = NaiveFilter()
   >>> f.parse("filepath")
   >>> f.filter("hello sexy baby")
   hello **** baby
   '''

def __init__(self):
       self.keywords = set([])

def parse(self, path):
       for keyword in open(path):
           self.keywords.add(keyword.strip().decode('utf-8').lower())

def filter(self, message, repl="*"):
       message = str(message).lower()
       for kw in self.keywords:
           message = message.replace(kw, repl)
       return message

使用BSF(宽度优先搜索)进行实现

对于搜索查找进行了优化，对于英语单词，直接进行了按词索引字典查找。对于其他语言模式，我们采用逐字符查找匹配的一种模式。

BFS：宽度优先搜索方式

class BSFilter:

'''Filter Messages from keywords

Use Back Sorted Mapping to reduce replacement times

>>> f = BSFilter()
   >>> f.add("sexy")
   >>> f.filter("hello sexy baby")
   hello **** baby
   '''

def __init__(self):
       self.keywords = []
       self.kwsets = set([])
       self.bsdict = defaultdict(set)
       self.pat_en = re.compile(r'^[0-9a-zA-Z]+$')  # english phrase or not

def add(self, keyword):
       if not isinstance(keyword, str):
           keyword = keyword.decode('utf-8')
       keyword = keyword.lower()
       if keyword not in self.kwsets:
           self.keywords.append(keyword)
           self.kwsets.add(keyword)
           index = len(self.keywords) - 1
           for word in keyword.split():
               if self.pat_en.search(word):
                   self.bsdict[word].add(index)
               else:
                   for char in word:
                       self.bsdict[char].add(index)

def parse(self, path):
       with open(path, "r") as f:
           for keyword in f:
               self.add(keyword.strip())

def filter(self, message, repl="*"):
       if not isinstance(message, str):
           message = message.decode('utf-8')
       message = message.lower()
       for word in message.split():
           if self.pat_en.search(word):
               for index in self.bsdict[word]:
                   message = message.replace(self.keywords[index], repl)
           else:
               for char in word:
                   for index in self.bsdict[char]:
                       message = message.replace(self.keywords[index], repl)
       return message

使用DFA(Deterministic Finite Automaton)进行实现

DFA即Deterministic Finite Automaton，也就是确定有穷自动机。
使用了嵌套的字典来实现。

class DFAFilter():

'''Filter Messages from keywords

Use DFA to keep algorithm perform constantly

>>> f = DFAFilter()
   >>> f.add("sexy")
   >>> f.filter("hello sexy baby")
   hello **** baby
   '''

def __init__(self):
       self.keyword_chains = {}
       self.delimit = '\x00'

def add(self, keyword):
       if not isinstance(keyword, str):
           keyword = keyword.decode('utf-8')
       keyword = keyword.lower()
       chars = keyword.strip()
       if not chars:
           return
       level = self.keyword_chains
       for i in range(len(chars)):
           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(keyword.strip())

def filter(self, message, repl="*"):
       if not isinstance(message, str):
           message = message.decode('utf-8')
       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)

来源：https://juejin.cn/post/7002068513070268424