过滤文本敏感词

过滤文本敏感词

针对输入文本，进行敏感词过滤

 

1、实现

2.1 新建一个敏感词文件

sensitive-words.txt

赌博
嫖娼
吸毒
开票
傻逼

 

2.2 代码

SensitiveFilter.java

import lombok.Data;
import org.apache.commons.lang3.CharUtils;
import org.apache.commons.lang3.StringUtils;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.stereotype.Component;

import javax.annotation.PostConstruct;
import java.io.BufferedReader;
import java.io.InputStream;
import java.io.InputStreamReader;
import java.util.HashMap;
import java.util.Map;

@Component
public class SensitiveFilter {

    private static final Logger LOGGER = LoggerFactory.getLogger(SensitiveFilter.class);

    // 替换符
    public static final String REPLACEMENT = "***";

    // 根节点
    private RootTreeNode rootNode = new RootTreeNode();

    // @PostConstruct修饰的方法会在服务器加载Servlet的时候运行，并且只会被服务器执行一次
    @PostConstruct
    public void init() {
        try (
                InputStream is = this.getClass().getClassLoader().getResourceAsStream("sensitive-words.txt");
                BufferedReader reader = new BufferedReader(new InputStreamReader(is))
        ) {
            String keyword;
            while ((keyword = reader.readLine()) != null) {
                // 添加到前缀树
                this.addKeyword(keyword);
            }
            System.out.println("rootNode = " + rootNode);
        } catch (Exception e) {
            LOGGER.error("加载敏感词文件失败" + e.getMessage());
        }

    }

    // 将一个敏感词添加到前缀树中
    private void addKeyword(String keyword) {
        RootTreeNode tempNode = rootNode;
        for (int i = 0; i < keyword.length(); i++) {
            char c = keyword.charAt(i);
            RootTreeNode subNode = tempNode.getSubNode(c);

            if (subNode == null) {
                // 初始化子节点
                subNode = new RootTreeNode();
                tempNode.addSubNodes(c, subNode);
            }
            // 指向子节点，进入下一轮循环
            tempNode = subNode;

            //设置结束标识
            if (i == keyword.length() - 1) {
                tempNode.setKeywordEnd(true);
            }
        }
    }

    /**
     * 过滤敏感词
     *
     * @param text 待过滤的文本
     * @return 过滤后的文本
     */
    public String filter(String text) {
        if (StringUtils.isBlank(text)) {
            return null;
        }

        //指针1
        RootTreeNode tempNode = rootNode;
        //指针2
        int begin = 0;
        //指针3
        int position = 0;
        //结果
        StringBuilder sb = new StringBuilder();

        while (position < text.length()) {
            char c = text.charAt(position);

            //调过符号
            if(isSymbol(c)){
                // 若指针1处于根节点，将此符号计入结果，让指针2向下走一步
                if(tempNode == rootNode){
                    sb.append(c);
                    begin++;
                }
                // 无论符号在开头或中间，指针3都向下走一步
                position++;
                continue;
            }

            // 检查下级节点
            tempNode = tempNode.getSubNode(c);
            if(tempNode == null){
                // 以begin开头的字符不是敏感词
                sb.append(text.charAt(begin));
                // 进入下一个位置
                begin++;
                position = begin;
                // 指针1 重新指向根节点(重新賦值)
                tempNode = rootNode;
            }else if(tempNode.isKeywordEnd()){
                // 发现敏感词，将begin~position字符串替换掉
                sb.append(REPLACEMENT);
                position++;
                begin = position;
                // 指针1 重新指向根节点
                tempNode = rootNode;
            }else{
                // 检查下一个字符
                position++;
            }
        }
        //将最后一批字符计入结果
        sb.append(text.substring(begin));
        return sb.toString();
    }

    // 判断是否是符号(★ 等特殊符號)
    private boolean isSymbol(Character c) {
        //  0x2E80 ~ 0x9FFF 是东亚文字范围
        return !CharUtils.isAsciiAlphaUpper(c) && (c < 0x2E80 || c > 0x9FFF);
    }

    // 前缀树
    @Data
    private class RootTreeNode {
        // 描述关键词结束标识
        private boolean isKeywordEnd = false;

        // 子节点 (key 是下级结点的字符，value是下级节点)
        private Map<Character, RootTreeNode> subNodes = new HashMap<>();

        public void addSubNodes(Character c, RootTreeNode node) {
            subNodes.put(c, node);
        }

        public RootTreeNode getSubNode(Character c) {
            return subNodes.get(c);
        }

    }
}

 

2.3 测试

    @Test
    void test() {
        System.out.println(sensitiveFilter.filter("这里可以赌博,这里可以嫖娼,这里可以吸毒,哈哈哈"));
        System.out.println(sensitiveFilter.filter("这里可以|赌|博|,这里可以嫖,娼,这里可以吸~毒,哈哈哈"));
    }

 

2.4 结果

这里可以***,这里可以***,这里可以***,哈哈哈
这里可以|***|,这里可以***,这里可以***,哈哈哈