.NET脏字过滤算法 (转)

(本文最早贴在http://www.ceisoft.net/?q=node/1)

原文见http://www.cnblogs.com/goody9807/archive/2006/09/12/502094.html，很多网站都转载了。

但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，对效率已经有了一些影响，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244.125ms.

更新：新增一个BitArray，用于判断某char是否在所有脏字中出现过。总时间由244ms降到了34ms.

主要算法如代码所示

      private static Dictionary dic = new Dictionary();
      private static BitArray fastcheck = new BitArray(char.MaxValue);

      static void Prepare()
      {
          string[] badwords =  // read from file
           foreach (string word in badwords)
            {
                if (!dic.ContainsKey(word))
                {
                    dic.Add(word, null);
                    maxlength = Math.Max(maxlength, word.Length);
                    fastcheck[word[0]] = true;
                }
            }
      }

使用的时候

int index = 0;

while (index < target.Length)

{

    if (!fastcheck[target[index]])

    {

        while (index < target.Length - 1 && !fastcheck[target[++index]]) ;

    }



    for (int j = 0; j < Math.Min(maxlength, target.Length - index); j++)

    {

        string sub = target.Substring(index, j);

        if (dic.ContainsKey(sub))

        {

            sb.Replace(sub, "***", index, j);

            index += j;

            break;

        }

    }



    index++;

}