(重发).NET脏字过滤算法

我们网站的脏字字典中大概有600多个词，而且会发生变化，因此简单的在数据新增/修改的时候做一次脏字过滤是不够的。在网站从.NET 1.1到2.0改版的时候，对新版的测试发现旧的脏字过滤算法耗费的时间过长，需要做一些优化。

旧的算法是简单对每一个脏字调用一遍 string.replace，当然是用了StringBuilder。在cnblogs里发现了一篇讨论脏字过滤的blog http://www.cnblogs.com/goody9807/archive/2006/09/12/502094.html。在我这里测试的时候，RegEx要快一倍左右。但是还是不太满意，应为我们网站上脏字过滤用的相当多，经过一番思考后，自己做了一个算法。在自己的机器上测试了一下，使用原文中的脏字库，0x19c的字符串长度，1000次循环，文本查找耗时1933.47ms，RegEx用了1216.719ms，而我的算法只用了34.125ms.

算法的关键，还是使用空间来换时间，使用了2个全局的BitArray, 长度均为Char.MaxValue。其中一个BitArray用来判断是否有某个char开头的脏字，另一个BitArray用来判断所有脏字中是否包含某个char。经过这两个BitArray，可以做出快速判断，之后就使用Hash Code来判断完整的脏字，通过预先获取的最大脏字长度优化遍历过程。

需要的变量如下：

private Dictionary<string, object> hash = new Dictionary<string, object>();
private BitArray firstCharCheck = new BitArray(char.MaxValue);
private BitArray allCharCheck = new BitArray(char.MaxValue);        
private int maxLength = 0;

其中hash只使用到了key，value都置为null。也可以使用.NET 3.5中的HashSet，或者使用Dictionary<string, int>，记录脏字的出现次数。

初始化这些数据的方法如下：

foreach (string word in badwords)
{
    if (!hash.ContainsKey(word))
    {
        hash.Add(word, null);
        maxlength = Math.Max(maxlength, word.Length);
        firstCharCheck[word[0]] = true;

        foreach (char c in word)
        {
            allCharCheck[c] = true;
        }
    }
}

判断脏字是否出现在一个字符串中的代码如下：

int index = 0;
int offset = 0;
while (index < text.Length)
{
    if (!firstCharCheck[text[index]])
    {
        while (index < text.Length - 1 && !firstCharCheck[text[++index]]) ;
    }

    for (int j = 1; j <= Math.Min(maxlength, text.Length - index); j++)
    {
        if (!allCharCheck[text[index + j - 1]])
        {
           break;
        }

        string sub = text.Substring(index, j); 
        
        if (hash.ContainsKey(sub))
        {
            return true;
        }
    }

    index++;
}

return false;

替换的代码就不贴了，跟判断包含类似，只不过不能发现一个脏字后就退出循环。如果出现脏字的可能不是很高，就没有必要创建一个临时的StringBuilder。

进一步，可以通过借鉴.NET源码中string.GetHashCode()的实现，避免一次Substring的调用，提高性能。也可以设计递进的HashCode实现，比如"helloworld"可以用"helloworl"的hash进一步计算，优化效率。

另外，也可以抛弃Hash，改用排序过的string[]，用BinarySearch来判断sub是否为脏字。BinarySearch的结果是可以递进的，即可以用查找"helloworl"的结果来加速判断"helloworld"。 （已测试，700个脏字，BinarySearch的效率有时会低很多。）

最后发一点牢骚，当初最早发的时候（http://www.cnblogs.com/xingd/archive/2007/09/26/906013.html），仅仅是为了说明下自己的算法，具体的代码甚至还有一点错误。两个事情让我觉得心里不很爽，一个是被乱七八糟的无数网站转载而不说明出处，导致我后来的改进和错误修正达不到效果，二是一些人都愿意看到最终的代码，而不是理解我想要表达的最核心的设计，然后自己去考虑实现。