浅谈Python 敏感词过滤的实现

一个简单的实现

class NaiveFilter():

'''Filter Messages from keywords

very simple filter implementation

>>> f = NaiveFilter()
 >>> f.add("sexy")
 >>> 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

其中strip() 函数 删除附近的一些空格，解码采用utf-8的形式，然后将其转为小写。

parse()函数就是打开文件，然后从中取各个关键词，然后将其存在关键词集合中。

filter()函数是一个过滤器函数，其中将消息转化为小写，然后将关键词替换成*。、

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

在上面的实现例子中，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 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)

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。

参考

Github:敏感词过滤系统

来源：https://blog.csdn.net/xiabenshu/article/details/91050331