【SpringBoot】前綴樹 Trie 過濾敏感詞

1、過濾敏感詞

Spring Boot實踐，開發社區核心功能

完成過濾敏感詞
Trie

• 名稱：Trie也叫做字典樹、前綴樹（Prefix Tree）、單詞查找樹
• 特點：查找效率高，消耗內存大
• 應用：字符串檢索、詞頻統計、字符串排序等

Trie 搜索字符串的效率主要跟字符串的長度有關

最大的特點就是共享字符串的公共前綴來達到節省空間的目的了

更多Trie 相關的數據結構和算法
Double-array Trie、Suffix Tree、Patricia Tree、Crit-bit Tree、AC自動機

實現敏感詞過濾器

• 定義前綴樹
• 根據敏感詞，初始化前綴樹
• 編寫過濾敏感詞的方法

SensitiveFilter.java

@Component
public class SensitiveFilter {

    private static final Logger logger = LoggerFactory.getLogger(SensitiveFilter.class);

    // 替換符
    private static final String REPLACEMENT = "***";

    // 根節點
    private TrieNode rootNode = new TrieNode();
    //PostConstruct  容器實例化Bean 構造器   服務初始化
    @PostConstruct
    public void init() {
        try (
                InputStream is = this.getClass().getClassLoader().getResourceAsStream("sensitive-words.txt");
                BufferedReader reader = new BufferedReader(new InputStreamReader(is));
        ) {
            String keyword;
            while ((keyword = reader.readLine()) != null) {
                // 添加到前綴樹
                this.addKeyword(keyword);
            }
        } catch (IOException e) {
            logger.error("加載敏感詞文件失敗: " + e.getMessage());
        }
    }

    // 將一個敏感詞添加到前綴樹中
    private void addKeyword(String keyword) {
        TrieNode tempNode = rootNode;
        for (int i = 0; i < keyword.length(); i++) {
            char c = keyword.charAt(i);
            TrieNode subNode = tempNode.getSubNode(c);

            if (subNode == null) {
                // 初始化子節點
                subNode = new TrieNode();
                tempNode.addSubNode(c, subNode);
            }

            // 指向子節點,進入下一輪循環
            tempNode = subNode;

            // 設置結束標識
            if (i == keyword.length() - 1) {
                tempNode.setKeywordEnd(true);
            }
        }
    }

    /**
     * 過濾敏感詞
     *
     * @param text 待過濾的文本
     * @return 過濾後的文本
     */
    public String filter(String text) {
        if (StringUtils.isBlank(text)) {
            return null;
        }

        // 指針1
        TrieNode tempNode = rootNode;
        // 指針2
        int begin = 0;
        // 指針3
        int position = 0;
        // 結果
        StringBuilder sb = new StringBuilder();

        while (position < text.length()) {
            char c = text.charAt(position);

            // 跳過符號
            if (isSymbol(c)) {
                // 若指針1處於根節點,將此符號計入結果,讓指針2向下走一步
                if (tempNode == rootNode) {
                    sb.append(c);
                    begin++;
                }
                // 無論符號在開頭或中間,指針3都向下走一步
                position++;
                continue;
            }

            // 檢查下級節點
            tempNode = tempNode.getSubNode(c);
            if (tempNode == null) {
                // 以begin開頭的字符串不是敏感詞
                sb.append(text.charAt(begin));
                // 進入下一個位置
                position = ++begin;
                // 重新指向根節點
                tempNode = rootNode;
            } else if (tempNode.isKeywordEnd()) {
                // 發現敏感詞,將begin~position字符串替換掉
                sb.append(REPLACEMENT);
                // 進入下一個位置
                begin = ++position;
                // 重新指向根節點
                tempNode = rootNode;
            } else {
                // 檢查下一個字符
                position++;
            }
        }

        // 將最後一批字符計入結果
        sb.append(text.substring(begin));

        return sb.toString();
    }

    // 判斷是否爲符號
    private boolean isSymbol(Character c) {
        // 0x2E80~0x9FFF 是東亞文字範圍
        return !CharUtils.isAsciiAlphanumeric(c) && (c < 0x2E80 || c > 0x9FFF);
    }

    // 前綴樹
    private class TrieNode {

        // 關鍵詞結束標識
        private boolean isKeywordEnd = false;

        // 子節點(key是下級字符,value是下級節點)
        private Map<Character, TrieNode> subNodes = new HashMap<>();

        public boolean isKeywordEnd() {
            return isKeywordEnd;
        }

        public void setKeywordEnd(boolean keywordEnd) {
            isKeywordEnd = keywordEnd;
        }

        // 添加子節點
        public void addSubNode(Character c, TrieNode node) {
            subNodes.put(c, node);
        }

        // 獲取子節點
        public TrieNode getSubNode(Character c) {
            return subNodes.get(c);
        }

    }

}

要過濾的單詞sensitive-words.txt

shit
傻逼
笨蛋
...
敏感詞

測試

SensitiveTests.java

@RunWith(SpringRunner.class)
@SpringBootTest
@ContextConfiguration(classes = CommunityApplication.class)
public class SensitiveTests {

    @Autowired
    private SensitiveFilter sensitiveFilter;

    @Test
    public void testSensitiveFilter() {
        //這是發的人比較初級的
        String text = "I'm a piece of shit，我就是傻逼呀，我個笨蛋，" + "留下不學無術的眼淚!!!!";
        text = sensitiveFilter.filter(text);
        System.out.println(text);//I'm a piece of ***，我就是***呀，我個***，留下不學無術的眼淚!!!!

        text = "I'm a piece of ☆sh☆it，我就是☆傻☆☆逼☆呀，@我個☆笨☆蛋，" +  "留下不學無術的眼淚!!!";
        text = sensitiveFilter.filter(text);
        System.out.println(text);//I'm a piece of ☆***，我就是☆***☆呀，@我個☆***，留下不學無術的眼淚!!!
    }

}

Result

記錄

1、高薪求職項目課 - vol.7 - https://www.nowcoder.com/courses/semester/senior
是記錄這個社區項目的筆記。
Github ： https://github.com/liuawen/play-community