Python实现敏感词过滤:DFA与AC自动机算法详解
本文详细介绍Python中实现敏感词过滤的两种核心算法:确定有穷自动机(DFA)与AC自动机。通过具体代码示例,展示如何构建敏感词库、处理用户输入并进行批量替换。同时包含一道BAT面试题的解决思路,探讨十亿级标题中快速过滤五万敏感词的高效方案,帮助开发者掌握高性能文本处理技巧。
简述:
敏感词过滤本质上属于文本反垃圾处理算法的一种。例如,题目要求读取敏感词文本文件 filtered_words.txt,当用户输入包含敏感词语时,系统需将其替换为星号 *。具体场景如用户输入「北京是个好城市」,系统应输出「**是个好城市」。相关实现代码如下:
#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')
另一类典型应用是反黄内容过滤:
开发敏感词语过滤程序,提示用户输入评论内容,如果用户输入的内容中包含特殊的字符:
敏感词列表 li = ["苍老师","东京热",”武藤兰”,”波多野结衣”]
则将用户输入的内容中的敏感词汇替换成***,并添加到一个列表中;如果用户输入的内容没有敏感词汇,则直接添加到上述的列表中。
content = input('请输入你的内容:')
li = ["苍老师","东京热","武藤兰","波多野结衣"]
i = 0
while i < 4:
for li[i] in content:
li1 = content.replace('苍老师','***')
li2 = li1.replace('东京热','***')
li3 = li2.replace('武藤兰','***')
li4 = li3.replace('波多野结衣','***')
else:
pass
i += 1

实战案例:
这是一道常见的BAT面试题:如何在10亿条标题中快速替换5万个敏感词? 假设有一个包含10亿个标题的文件,每行一个标题。另有一个文件存储5万个敏感词。编写程序过滤所有标题中的敏感词,并将结果保存至新文件。
1、DFA过滤敏感词算法
在文本过滤算法中,DFA(Deterministic Finite Automaton,确定有穷自动机)是较为高效的实现方式。 该算法的核心在于基于敏感词构建多棵敏感词树。 以下是Python实现DFA算法的代码:
# -*- 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="新疆骚乱苹果新品发布会雞八"
result = gfw.filter(text)
print(text)
print(result)
time2 = time.time()
print('总共耗时:' + str(time2 - time1) + 's')
运行效果:
新疆骚乱苹果新品发布会雞八
****苹果新品发布会**
总共耗时:0.0010344982147216797s
2、AC自动机过滤敏感机算法
AC自动机常用于解决多模式匹配问题,例如给定n个单词,判断包含m个字符的文章中出现了多少个单词。 简而言之,AC自动机结合了字典树、KMP算法与失配指针的特性。
# -*- coding:utf-8 -*-
import time
time1=time.time()
# AC自动机算法
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()
# 添加敏感词函数
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
# 失败指针函数
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])
# 查找敏感词函数
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
# 加载敏感词库函数
def parse(self, path):
with open(path,encoding='utf-8') as f:
for keyword in f:
self.addword(str(keyword).strip())
# 敏感词替换函数
def words_replace(self, text):
"""
:param ah: AC自动机
:param text: 文本
:return: 过滤敏感词之后的文本
"""
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="新疆骚乱苹果新品发布会雞八"
text2=ah.words_replace(text1)
print(text1)
print(text2)
time2 = time.time()
print('总共耗时:' + str(time2 - time1) + 's')
运行结果:
新疆骚乱苹果新品发布会雞八
****苹果新品发布会**
总共耗时:0.0010304450988769531s
以上为Python实现敏感词过滤的详细内容,更多关于Python过滤敏感词的资料请关注本站其它相关文章!
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。









