百度 搜索引擎 关键字 算法

  • 因为过滤关键字机制到处可见，于是聪明的网友就会想到各种各样的方法突破，例如：    
  •   
  • 1、中文会用繁体字的方法避开关键字扫描    
  • 2、在关键字中间插入无意思的特殊字符，例如 * & # @ 等，而且个数可变    
  • 3、使用谐音或拆字法变换关键字    
  •   
  • 在实现自己的算法时也有些问题：    
  •   
  • 4、随着时间推移，关键字列表会越来越大，有些论坛常用的正则表达式N次扫描的方法显得效率很低。    
  • 5、关键字有不同的严重级别，有些需要禁止，有些只需要替换，还有一些可能记录一下即可。    
  •   
  •   
  • 针对这些问题，可采用的应对方法：    
  •   
  • 1、加载关键字列表时，将所有的关键字转换成繁体字一份，以扫描繁体版的关键字；    
  • 这个转换工作只需一句就可以实现了：    
  • s=Microsoft.VisualBasic.Strings.StrConv(word, Microsoft.VisualBasic.VbStrConv.TraditionalChinese, 0);    
  •   
  • 2、在扫描原文本时，如果遇到关键字的首个文字，忽略其后的特殊字符，直到下一个有意义的文字为止，当然这里需要在定义关键字列表时指定哪些才需要这样扫描，并不是所有关键字都采用这种方式；    
  • 例如有关键字 “你好”经常会被人输入成“你x好”或者“你xxxxx好”，那么在关键字列表里就需要定义成“你*好”，在匹配关键字时，如果遇到星号就忽略原文本下一个为特殊的字符。    
  •   
  • 3、遇到谐音和拆字时，没什么好办法了，只好将这些谐音词和拆分词也加入到关键字列表。    
  •   
  • 4、不用正则表达式或者 String.IndexOf方法，可以将所有关键字的首字相同的组成一个一个小组，然后在将首字放到一个散列表（HashTable/Dictionary<T>），在扫描原文本时先在散列表里扫描，如果碰到了首字再扫描同组的关键字，这样简单处理一下效率可以提高很多。    
  •   
  •   
  •   
  • 还有一个比用散列表更好的方法，将散列表改成一个大小为char.MaxValue的数组，然后将首个文字转成int，即char->int，然后将关键词集合放到相应下标里。这样在扫描原文本时，将被扫描的字符转成int，然后试探数组相应下标的元素是否不为NULL。这样比用散列表会更快一些。    
  •   
  • 5、在定义关键字时，同时给一个“级别”属性，例如使用 E,R,B分别表示只记录、替换、禁止等情况。    
  • 于是关键字的列表如下所示：    
  • 你滚 E    
  • 他niang的 R    
  • 成*人*网*站 B    
  •   
  • 这里贴一下关键的部分代码：    
  •   
  •   
  •   
  • Code    
  • private WordGroup[] _wordTable;    
  •   
  • public FilterResult Filter(ref string source,char replaceChar)    
  • {    
  • //NOTE::    
  • // 如果方法返回 FilterResult.Replace或者FilterResult.Banned，则原字符串的某些字会被替代为星号，替代后的字符串可以由source取得    
  •   
  • if (String.IsNullOrEmpty(source)) return FilterResult.Pass;    
  •   
  • FilterResult result = FilterResult.Pass;    
  • char[] tempString = null;    
  •   
  • int start = 0;    
  • for (; start < source.Length; start++)    
  • {    
  • WordGroup fw = _wordTable[fastToLower(source[start])];    
  • if (fw != null)    
  • {    
  • for (int idx = 0; idx < fw.Count; idx++)    
  • {    
  • WordEntity we = fw.GetItem(idx);    
  • int matchLength=0;    
  • if (we.Word.Length==0 || checkString(source, we.Word, start + 1, out matchLength))    
  • {    
  • FilterResult fr = we.HandleType;    
  • if (fr > result) result = fr; //记录最高级别的处理方法    
  • if (fr == FilterResult.Replace || fr == FilterResult.Banned)    
  • {    
  • //替换关键字    
  • if(tempString==null) tempString =source.ToCharArray();;    
  • for (int pos = 0; pos < matchLength + 1; pos++)    
  • {    
  • tempString[pos + start] = replaceChar;    
  • }    
  • }    
  • }    
  • }    
  • }    
  • }    
  •   
  • if (result > FilterResult.RecordOnly)    
  • {    
  • source = new string(tempString);    
  • }    
  •   
  • return result;    
  • }    
  •   
  • private bool checkString(string source, string keyword, int sourceStart, out int matchLength)    
  • {    
  • bool found = false;    
  • int sourceOffset = 0;    
  • int keyIndex = 0;    
  • for (; keyIndex < keyword.Length; keyIndex++)    
  • {    
  • if (sourceOffset + sourceStart >= source.Length) break; //原始字符串已经全部搜索完毕    
  •   
  • if (keyword[keyIndex] == '*')    
  • {    
  • //跳过可忽略的字符    
  • while (sourceOffset + sourceStart < source.Length)    
  • {    
  • if (isIgnorableCharacter_CN(source[sourceOffset + sourceStart]))    
  • sourceOffset++;    
  • else    
  • break;    
  • }    
  • }    
  • else    
  • {    
  • //比较字母    
  • if (fastToLower(source[sourceOffset + sourceStart]) == (int)keyword[keyIndex])    
  • {    
  • if (keyIndex == keyword.Length - 1)    
  • {    
  • found = true;    
  • break;    
  • }    
  • }    
  • else    
  • {    
  • break;    
  • }    
  •   
  • sourceOffset++;//移动原始字符串    
  • }    
  • }    
  •   
  • //如果匹配中关键字，则返回原字符串中被匹配中的文字的长度，否则返回0    
  • matchLength = sourceOffset + 1;    
  • return found;    
  • }    
  •   
  • private int fastToLower(char character)    
  • {    
  • //将大写英文字母以及全/半角的英文字母转化为小写字母    
  • int charVal = (int)character;    
  • if (charVal <= 90)    
  • {    
  • if (charVal >= 65) //字母A-Z    
  • return charVal - 65 + 97;    
  • }    
  • else if (charVal >= 65313)    
  • {    
  • if (charVal <= 65338)    
  • return charVal - 65313 + 97; //全角大写A-Z    
  • else if (charVal >= 65345 && charVal <= 65370)    
  • return charVal - 65345 + 97; //全角小写a-z    
  • }    
  • return charVal;    
  • }    
  •   
  • private bool isIgnorableCharacter_CN(char character)    
  • {    
  • //NOTE::    
  • // 中文表意字符的范围 4E00-9FA5    
  • int charVal = (int)character;    
  • return !(charVal >= 0x4e00 && charVal <= 0x9fa5);    
  • }    
  •   
  • // 单个过滤词条目    
  • class WordEntity    
  • {    
  • public string Word { get; set; }    
  • public FilterResult HandleType { get; set; }    
  • }    
  •   
  • // 过滤词的组    
  • class WordGroup    
  • {    
  • //NOTE::用于装载一组具有同一个字开头的过滤词    
  •   
  • private List<WordEntity> _words;    
  •   
  • public WordGroup()    
  • {    
  • _words = new List<WordEntity>();    
  • }    
  •   
  • public void AppendWord(string word, FilterResult handleType)    
  • {    
  • AppendWord(new WordEntity() { Word = word, HandleType = handleType });    
  • }    
  •   
  • public void AppendWord(WordEntity word)    
  • {    
  • _words.Add(word);    
  • }    
  •   
  • public int Count    
  • {    
  • get { return _words.Count; }    
  • }    
  •   
  • public WordEntity GetItem(int index)    
  • {    
  • return _words[index];    
  • }    
  • } 
    • posted @ 2011-06-25 00:17  solomon_Blog  阅读(1381)  评论(0)  编辑  收藏  举报