Python敏感词过滤算法:从朴素匹配到DFA自动机详解
本文深入解析Python中敏感词过滤的三种实现方式。首先介绍基于集合替换的朴素过滤器,随后探讨利用反向排序映射优化替换次数的BSFilter算法,最后重点讲解利用确定有穷自动机(DFA)实现高效恒定性能过滤的DFAFilter。通过代码对比,展示不同算法在英语单词索引与逐字符匹配上的差异及性能表现。
朴素敏感词过滤实现
本节介绍一种基础的敏感词过滤实现方案。
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
该方案中,strip()函数用于去除字符串首尾的空格,解码过程采用UTF-8编码格式,随后将文本转换为小写形式以统一格式。
parse()函数的主要功能是读取指定文件,提取其中的各个关键词,并将这些关键词存储在一个集合(set)中,以便后续快速查找。
filter()函数作为核心过滤器,首先将输入消息转换为小写,然后遍历关键词集合,将匹配到的敏感词替换为指定字符(默认为*)。
基于反向排序映射的BSFilter算法
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
在上述基础实现中,搜索查找逻辑进行了初步优化:针对英语单词,直接通过字典进行按词索引查找;而对于其他语言模式(如中文),则采用逐字符查找匹配的模式。
BFS(Breadth-First Search):宽度优先搜索方式,通常用于图的遍历或状态空间搜索,在此处作为对比概念提及。
基于DFA自动机的高效过滤
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(Deterministic Finite Automaton):即确定有穷自动机,是一种数学计算模型,常用于文本处理中的模式匹配,能保证算法性能的稳定性。
DFAFilter的实现利用了嵌套字典(Nested Dictionary)来构建状态转移图,从而高效处理敏感词匹配。
参考资源与链接。
Github:敏感词过滤系统
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持本站。
免责声明:本文内容仅供参考,不代表本站观点。转载或引用请注明出处。









