python過濾敏感詞記錄

簡述：

關於敏感詞過濾可以看成是一種文本反垃圾算法，例如
題目：敏感詞文本文件 filtered_words.txt，當用戶輸入敏感詞語，則用 星號 * 替換，例如當用戶輸入「北京是個好城市」，則變成「**是個好城市」
代碼：

#coding=utf-8
def filterwords(x):
    with open(x,'r') as f:
        text=f.read()
    print text.split('\n')
    userinput=raw_input('myinput:')
    for i in text.split('\n'):
        if i in userinput:
            replace_str='*'*len(i.decode('utf-8'))
            word=userinput.replace(i,replace_str)
            return word

print filterwords('filtered_words.txt')

再例如反黃系列：

開發敏感詞語過濾程序，提示用戶輸入評論內容，如果用戶輸入的內容中包含特殊的字符：
敏感詞列表 li = ["蒼老師","東京熱",”武藤蘭”,”波多野結衣”]
則將用戶輸入的內容中的敏感詞彙替換成***，並添加到一個列表中；如果用戶輸入的內容沒有敏感詞彙，則直接添加到上述的列表中。
content = input('請輸入你的內容：')
li = ["蒼老師","東京熱","武藤蘭","波多野結衣"]
i = 0
while i < 4:
    for li[i] in content:
        li1 = content.replace('蒼老師','***')
        li2 = li1.replace('東京熱','***')
        li3 = li2.replace('武藤蘭','***')
        li4 = li3.replace('波多野結衣','***')
    else:
        pass
    i += 1

實戰案例：
一道bat面試題：快速替換10億條標題中的5萬個敏感詞，有哪些解決思路？
有十億個標題，存在一個文件中，一行一個標題。有5萬個敏感詞，存在另一個文件。寫一個程序過濾掉所有標題中的所有敏感詞，保存到另一個文件中。

1、DFA過濾敏感詞算法

在實現文字過濾的算法中，DFA是比較好的實現算法。DFA即Deterministic Finite Automaton，也就是確定有窮自動機。
算法核心是建立了以敏感詞爲基礎的許多敏感詞樹。
python 實現DFA算法：

# -*- coding:utf-8 -*-

import time
time1=time.time()

# DFA算法
class DFAFilter():
    def __init__(self):
        self.keyword_chains = {}
        self.delimit = '\x00'

    def add(self, keyword):
        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(str(keyword).strip())

    def filter(self, message, repl="*"):
        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)


if __name__ == "__main__":
    gfw = DFAFilter()
    path="F:/文本反垃圾算法/sensitive_words.txt"
    gfw.parse(path)
    text="新疆騷亂蘋果新品發佈會雞八"
    result = gfw.filter(text)

    print(text)
    print(result)
    time2 = time.time()
    print('總共耗時：' + str(time2 - time1) + 's')

運行效果：

新疆騷亂蘋果新品發佈會雞八
****蘋果新品發佈會**
總共耗時：0.0010344982147216797s

2、AC自動機過濾敏感詞算法

AC自動機：一個常見的例子就是給出n個單詞，再給出一段包含m個字符的文章，讓你找出有多少個單詞在文章裏出現過。
簡單地講，AC自動機就是字典樹+kmp算法+失配指針

# -*- coding:utf-8 -*-

import time
time1=time.time()

# AC自動機算法
class node(object):
    def __init__(self):
        self.next = {}
        self.fail = None
        self.isWord = False
        self.word = ""

class ac_automation(object):

    def __init__(self):
        self.root = node()

    # 添加敏感詞函數
    def addword(self, word):
        temp_root = self.root
        for char in word:
            if char not in temp_root.next:
                temp_root.next[char] = node()
            temp_root = temp_root.next[char]
        temp_root.isWord = True
        temp_root.word = word

    # 失敗指針函數
    def make_fail(self):
        temp_que = []
        temp_que.append(self.root)
        while len(temp_que) != 0:
            temp = temp_que.pop(0)
            p = None
            for key,value in temp.next.item():
                if temp == self.root:
                    temp.next[key].fail = self.root
                else:
                    p = temp.fail
                    while p is not None:
                        if key in p.next:
                            temp.next[key].fail = p.fail
                            break
                        p = p.fail
                    if p is None:
                        temp.next[key].fail = self.root
                temp_que.append(temp.next[key])

    # 查找敏感詞函數
    def search(self, content):
        p = self.root
        result = []
        currentposition = 0

        while currentposition < len(content):
            word = content[currentposition]
            while word in p.next == False and p != self.root:
                p = p.fail

            if word in p.next:
                p = p.next[word]
            else:
                p = self.root

            if p.isWord:
                result.append(p.word)
                p = self.root
            currentposition += 1
        return result

    # 加載敏感詞庫函數
    def parse(self, path):
        with open(path,encoding='utf-8') as f:
            for keyword in f:
                self.addword(str(keyword).strip())

    # 敏感詞替換函數
    def words_replace(self, text):
        """
        :param ah: AC自動機
        :param text: 文本
        :return: 過濾敏感詞之後的文本
        """
        result = list(set(self.search(text)))
        for x in result:
            m = text.replace(x, '*' * len(x))
            text = m
        return text





if __name__ == '__main__':

    ah = ac_automation()
    path='F:/文本反垃圾算法/sensitive_words.txt'
    ah.parse(path)
    text1="新疆騷亂蘋果新品發佈會雞八"
    text2=ah.words_replace(text1)

    print(text1)
    print(text2)

    time2 = time.time()
    print('總共耗時：' + str(time2 - time1) + 's')

運行結果：

新疆騷亂蘋果新品發佈會雞八
****蘋果新品發佈會**
總共耗時：0.0010304450988769531s