java实现敏感词过滤

java过滤敏感词

参考文章 http://blog.csdn.net/chenssy/article/details/26961957

想通过博客把自己在平常工作中用到的东西和感悟记录下来，分享给更多的人。这是我写的第一篇博客，主要是关于java敏感词过滤的。最近做了个基于ssm框架的app服务端的敏感词过滤的功能。一般来说文字过滤第一种想到的是简单的把敏感词放到集合中，获取页面上传文字，然后进行匹配。或者是用正则表达式等进行匹配。但是这样的只能进行简单的效率较低的检索。通过网上查阅资料发现可以使用DFA算法。

DFA简介

在实现文字过滤的算法中，DFA是唯一比较好的实现算法。DFA即Deterministic Finite Automaton，也就是确定有穷自动机，它是是通过event和当前的state得到下一个state，即event+state=nextstate。下图展示了其状态的转换

在这幅图中大写字母（S、U、V、Q）都是状态，小写字母a、b为动作。通过上图我们可以看到如下关系
a b b
S —–> U S —–> V U —–> V
在实现敏感词过滤的算法中，我们必须要减少运算，而DFA在DFA算法中几乎没有什么计算，有的只是状态的转换。

Java实现DFA算法

在Java中实现敏感词过滤的关键就是DFA算法的实现。首先我们对上图进行剖析。在这过程中我们认为下面这种结构会更加清晰明了。

同时这里没有状态转换，没有动作，有的只是Query（查找）。我们可以认为，通过S query U、V，通过U query V、P，通过V query U P。通过这样的转变我们可以将状态的转换转变为使用Java集合的查找。诚然，加入在我们的敏感词库中存在如下几个敏感词：日本人、日本鬼子、毛.泽.东。那么我需要构建成一个什么样的结构呢？首先：query 日 —> {本}、query 本 —>{人、鬼子}、query 人 —>{null}、query 鬼 —> {子}。形如下结构：

下面我们在对这图进行扩展：

这样我们就将我们的敏感词库构建成了一个类似与一颗一颗的树，这样我们判断一个词是否为敏感词时就大大减少了检索的匹配范围。比如我们要判断日本人，根据第一个字我们就可以确认需要检索的是那棵树，然后再在这棵树中进行检索。但是如何来判断一个敏感词已经结束了呢？利用标识位来判断。所以对于这个关键是如何来构建一棵棵这样的敏感词树。下面我已Java中的HashMap为例来实现DFA算法。具体过程如下：
日本人，日本鬼子为例
1、在hashMap中查询“日”看其是否在hashMap中存在，如果不存在，则证明已“日”开头的敏感词还不存在，则我们直接构建这样的一棵树。跳至3。
2、如果在hashMap中查找到了，表明存在以“日”开头的敏感词，设置hashMap = hashMap.get(“日”)，跳至1，依次匹配“本”、“人”。
3、判断该字是否为该词中的最后一个字。若是表示敏感词结束，设置标志位isEnd = 1，否则设置标志位isEnd = 0；

程序实现如下：

    /**          * 读取敏感词库，将敏感词放入HashSet中，构建一个DFA算法模型：<br>          * 中 = {          *      isEnd = 0          *      国 = {<br>          *           isEnd = 1          *           人 = {isEnd = 0          *                民 = {isEnd = 1}          *                }          *           男  = {          *                  isEnd = 0          *                   人 = {          *                        isEnd = 1          *                       }          *               }          *           }          *      }          *  五 = {          *      isEnd = 0          *      星 = {          *          isEnd = 0          *          红 = {          *              isEnd = 0          *              旗 = {          *                   isEnd = 1          *                  }          *              }          *          }          *      }                  * @param keyWordSet  敏感词库                 */          @SuppressWarnings({ "rawtypes", "unchecked" })          private void addSensitiveWordToHashMap(Set<String> keyWordSet) {              sensitiveWordMap = new HashMap(keyWordSet.size());     //初始化敏感词容器，减少扩容操作              String key = null;                Map nowMap = null;              Map<String, String> newWorMap = null;              //迭代keyWordSet              Iterator<String> iterator = keyWordSet.iterator();              while(iterator.hasNext()){                  key = iterator.next();    //关键字                  nowMap = sensitiveWordMap;                  for(int i = 0 ; i < key.length() ; i++){                      char keyChar = key.charAt(i);       //转换成char型                      Object wordMap = nowMap.get(keyChar);       //获取                      if(wordMap != null){        //如果存在该key，直接赋值                          nowMap = (Map) wordMap;                      }                      else{     //不存在则，则构建一个map，同时将isEnd设置为0，因为他不是最后一个                          newWorMap = new HashMap<String,String>();                          newWorMap.put("isEnd", "0");     //不是最后一个                          nowMap.put(keyChar, newWorMap);                          nowMap = newWorMap;                      }                      if(i == key.length() - 1){                          nowMap.put("isEnd", "1");    //最后一个                      }                  }              }          }  

运行得到的hashMap结构如下：

{五={星={红={isEnd=0, 旗={isEnd=1}}, isEnd=0}, isEnd=0}, 中={isEnd=0, 国={isEnd=0, 人={isEnd=1}, 男={isEnd=0, 人={isEnd=1}}}}}

敏感词库我们一个简单的方法给实现了，那么如何实现检索呢？检索过程无非就是hashMap的get实现，找到就证明该词为敏感词，否则不为敏感词。过程如下：假如我们匹配“中国人民万岁”。
1、第一个字“中”，我们在hashMap中可以找到。得到一个新的map = hashMap.get(“”)。
2、如果map == null，则不是敏感词。否则跳至3
3、获取map中的isEnd，通过isEnd是否等于1来判断该词是否为最后一个。如果isEnd == 1表示该词为敏感词，否则跳至1。
通过这个步骤我们可以判断“中国人民”为敏感词，但是如果我们输入“中国女人”则不是敏感词了。

    /**          * 检查文字中是否包含敏感字符，检查规则如下:                 * @param txt          * @param beginIndex          * @param matchType          * @return，如果存在，则返回敏感词字符的长度，不存在返回0          * @version 1.0          */          @SuppressWarnings({ "rawtypes"})          public int CheckSensitiveWord(String txt,int beginIndex,int matchType){              boolean  flag = false;    //敏感词结束标识位：用于敏感词只有1位的情况              int matchFlag = 0;     //匹配标识数默认为0              char word = 0;              Map nowMap = sensitiveWordMap;              for(int i = beginIndex; i < txt.length() ; i++){                  word = txt.charAt(i);                  nowMap = (Map) nowMap.get(word);     //获取指定key                  if(nowMap != null){     //存在，则判断是否为最后一个                      matchFlag++;     //找到相应key，匹配标识+1                       if("1".equals(nowMap.get("isEnd"))){       //如果为最后一个匹配规则,结束循环，返回匹配标识数                          flag = true;       //结束标志位为true                             if(SensitivewordFilter.minMatchTYpe == matchType){    //最小规则，直接返回,最大规则还需继续查找                              break;                          }                      }                  }                  else{     //不存在，直接返回                      break;                  }              }              if(matchFlag < 2 && !flag){                       matchFlag = 0;              }              return matchFlag;          }  

以上是参考了其他博主的，下面是我在做app后台接口时进行的代码实现：

    /**     * 修改昵称     *      * @param phone,nickname     * @return     */    @RequestMapping(value = "user/changname", method = RequestMethod.POST)    public String changName(@RequestParam(value = "phone") String phone,            @RequestParam(value = "nickname") String nickname) {        Result result = new Result();        SensitivewordFilter filter = new SensitivewordFilter();// 加载敏感词库        Set<String> set = filter.getSensitiveWord(nickname, 1);// 比对敏感词        // 可以全是数字        String regex = "^[\u4e00-\u9fa5a-zA-Z0-9_\\-]{4,16}$";        if (!nickname.matches(regex)) {            // 正则非法 包含判空 ，判断含有空格情况            result.setCode(500);            result.setData("昵称不符合规范");            result.setMsg("昵称不符合规范");            return GsonUtils.GsonString(result);        }        if (userService.havaName(nickname, phone)) {            // 判断昵称是否已经存在 包括判断自己新名字=旧名字情况            result.setCode(501);            result.setData("此昵称已经存在");            result.setMsg("此昵称已经存在");            return GsonUtils.GsonString(result);        }        if (set.size() > 0) {            result.setCode(502);            result.setData("昵称修改失败请不要有侮辱性词汇");            result.setMsg("昵称修改失败请不要有侮辱性词汇");            return GsonUtils.GsonString(result);        } else {            try {                userService.changName(phone, nickname);                result.setCode(200);                result.setData("昵称修改成功");                result.setMsg("昵称修改成功");                return GsonUtils.GsonString(result);            } catch (Exception e) {                // TODO: handle exception                result.setCode(400);                result.setData("修改失败 系统异常");                result.setMsg("修改失败 系统异常");                return GsonUtils.GsonString(result);            }        }

接下来是我的service类：

    public void modifyUserNickName(String oldPhone, String nickName) {    //修改名称        usermapper.modifyUserNickName(oldPhone, nickName);    }    public boolean havaName(String nickname, String phone) {        // 判断昵称是否已经存在        UserVo userVo = usermapper.findNickName(nickname, phone);        if (userVo != null) {            if (userVo.getPhone().equals(phone)) {// 自己新名字和旧的名字一样                return false;            }            return true;        }        return false;    }

这里是用到的加载敏感词库的工具类：

/** *  初始化敏感词库，将敏感词加入到HashMap中，构建DFA算法模型 *   *  */public class SensitiveWordInit {      private String ENCODING = "GBK";    //字符编码        @SuppressWarnings("rawtypes")        public HashMap sensitiveWordMap;         public SensitiveWordInit(){            super();        }          @SuppressWarnings("rawtypes")        public Map initKeyWord(){            try {                //读取敏感词库                Set<String> keyWordSet = readSensitiveWordFile();                //将敏感词库加入到HashMap中                addSensitiveWordToHashMap(keyWordSet);                //spring获取application，然后application.setAttribute("sensitiveWordMap",sensitiveWordMap);            } catch (Exception e) {                e.printStackTrace();            }            return sensitiveWordMap;        }         //将得到的敏感词库用一个DFA算法模型放到map中        @SuppressWarnings({ "rawtypes", "unchecked" })        private void addSensitiveWordToHashMap(Set<String> keyWordSet) {            sensitiveWordMap = new HashMap(keyWordSet.size());     //初始化敏感词容器，减少扩容操作            String key = null;              Map nowMap = null;            Map<String, String> newWorMap = null;            //迭代keyWordSet            Iterator<String> iterator = keyWordSet.iterator();            while(iterator.hasNext()){                key = iterator.next();    //关键字                nowMap = sensitiveWordMap;                for(int i = 0 ; i < key.length() ; i++){                    char keyChar = key.charAt(i);       //转换成char型                    Object wordMap = nowMap.get(keyChar);       //获取                    if(wordMap != null){        //如果存在该key，直接赋值                        nowMap = (Map) wordMap;                    }                    else{     //不存在则，则构建一个map，同时将isEnd设置为0，因为他不是最后一个                        newWorMap = new HashMap<String,String>();                        newWorMap.put("isEnd", "0");     //不是最后一个                        nowMap.put(keyChar, newWorMap);                        nowMap = newWorMap;                    }                    if(i == key.length() - 1){                        nowMap.put("isEnd", "1");    //最后一个                    }                }            }        }//读取敏感词文件 加到set集合中        @SuppressWarnings("resource")        private Set<String> readSensitiveWordFile() throws Exception{            Set<String> set = null;            File file = new File("D:\\SensitiveWord.txt");    //读取文件             InputStreamReader read = new InputStreamReader(new FileInputStream(file),ENCODING);            try {                if(file.isFile() && file.exists()){      //文件流是否存在                    set = new HashSet<String>();                    BufferedReader bufferedReader = new BufferedReader(read);                    String txt = null;                    while((txt = bufferedReader.readLine()) != null){    //读取文件，将文件内容放入到set中                        set.add(txt);                    }                }                else{         //不存在抛出异常信息                    throw new Exception("敏感词库文件不存在");                }            } catch (Exception e) {                throw e;            }finally{                read.close();     //关闭文件流            }            return set;        } }

接下来是对比敏感词库的工具类：

/** * 敏感词过滤 *  * */public class SensitivewordFilter {    @SuppressWarnings("rawtypes")    public Map sensitiveWordMap = null;    public static int minMatchTYpe = 1;      //最小匹配规则    public static int maxMatchType = 2;      //最大匹配规则    /**     * 构造函数，初始化敏感词库     */    public SensitivewordFilter(){        sensitiveWordMap = new SensitiveWordInit().initKeyWord();    }    /**     * 判断文字是否包含敏感字符      * @param txt  文字     * @param matchType  匹配规则&nbsp;1：最小匹配规则，2：最大匹配规则     * @return 若包含返回true，否则返回false     * @version 1.0     */    public boolean isContaintSensitiveWord(String txt,int matchType){        boolean flag = false;        for(int i = 0 ; i < txt.length() ; i++){            int matchFlag = this.CheckSensitiveWord(txt, i, matchType); //判断是否包含敏感字符            if(matchFlag > 0){    //大于0存在，返回true                flag = true;            }        }        return flag;    }    /**     * 检查文字中是否包含敏感字符，检查规则如下：       * @param txt     * @param beginIndex     * @param matchType     * @return，如果存在，则返回敏感词字符的长度，不存在返回0     * @version 1.0     */    @SuppressWarnings({ "rawtypes"})    public int CheckSensitiveWord(String txt,int beginIndex,int matchType){        boolean  flag = false;    //敏感词结束标识位：用于敏感词只有1位的情况        int matchFlag = 0;     //匹配标识数默认为0        char word = 0;        Map nowMap = sensitiveWordMap;        for(int i = beginIndex; i < txt.length() ; i++){            word = txt.charAt(i);            System.out.println(nowMap);            nowMap = (Map) nowMap.get(word);     //获取指定key            System.out.println(nowMap);            if(nowMap != null){     //存在，则判断是否为最后一个                matchFlag++;     //找到相应key，匹配标识+1                 if("1".equals(nowMap.get("isEnd"))){       //如果为最后一个匹配规则,结束循环，返回匹配标识数                    flag = true;       //结束标志位为true                       if(SensitivewordFilter.minMatchTYpe == matchType){    //最小规则，直接返回,最大规则还需继续查找                        break;                    }                }            }            else{     //不存在，直接返回                break;            }        }        if(matchFlag < 2 || !flag){        //长度必须大于等于1，为词             matchFlag = 0;        }        return matchFlag;    }    /**     * 获取文字中的敏感词     *       * @param matchType 匹配规则&nbsp;1：最小匹配规则，2：最大匹配规则     * @return     * @version 1.0     */    public Set<String> getSensitiveWord(String txt , int matchType){        Set<String> sensitiveWordList = new HashSet<String>();        for(int i = 0 ; i < txt.length() ; i++){            int length = CheckSensitiveWord(txt, i, matchType);    //判断是否包含敏感字符            if(length > 0){    //存在,加入list中                sensitiveWordList.add(txt.substring(i, i+length));                i = i + length - 1;    //减1的原因，是因为for会自增            }        }        return sensitiveWordList;    }

至此一个简单的java敏感词过滤功能就实现了，要感谢其他分享了方法的同志们，希望这篇博客不仅能记录下我自己的实现过程还能给其他人提供一点点思路。