DFA 算法实现敏感词过滤（python 实现)

敏感词过滤的经典算法DFA ,看完相关资料后，自己实现了一下，同时做了评估实验

先上代码

#!/usr/bin/python2.6  # -*- coding: utf-8 -*-import timeclass Node(object):def __init__(self):self.children = None# The encode of word is UTF-8def add_word(root,word):node = rootfor i in range(len(word)):if node.children == None:node.children = {}node.children[word[i]] = Node()elif word[i] not in node.children:node.children[word[i]] = Node()node = node.children[word[i]]def init(path):root = Node()fp = open(path,'r')for line in fp:line = line[0:-1]#print len(line)#print line#print type(line)add_word(root,line)fp.close()return root# The encode of word is UTF-8# The encode of message is UTF-8def is_contain(message, root):for i in range(len(message)):p = rootj = iwhile (j<len(message) and p.children!=None and message[j] in p.children):p = p.children[message[j]]j = j + 1if p.children==None:#print '---word---',message[i:j]return Truereturn Falsedef dfa():print '----------------dfa-----------'root = init('/tmp/word.txt')message = '四处乱咬乱吠，吓得家中11岁的女儿躲在屋里不敢出来，直到辖区派出所民警赶到后，才将孩子从屋中救出。最后在征得主人同意后，民警和村民合力将这只发疯的狗打死'#message = '不顾'print '***message***',len(message)start_time = time.time()for i in range(1000):res = is_contain(message,root)#print resend_time = time.time()print (end_time - start_time) def is_contain2(message,word_list):for item in word_list:if message.find(item)!=-1:return Truereturn Falsedef normal():print '------------normal--------------'path = '/tmp/word.txt'fp = open(path,'r')word_list = []message = '四处乱咬乱吠，吓得家中11岁的女儿躲在屋里不敢出来，直到辖区派出所民警赶到后，才将孩子从屋中救出。最后在征得主人同意后，民警和村民合力将这只发疯的狗打死'print '***message***',len(message)for line in fp:line = line[0:-1]word_list.append(line)fp.close()print 'The count of word:',len(word_list)start_time = time.time()for i in range(1000):res = is_contain2(message,word_list)#print resend_time = time.time()print (end_time - start_time) if __name__ == '__main__':dfa()normal()

测试结果:

1) 敏感词 100个

----------------dfa-----------
***message*** 224
0.325479984283
------------normal--------------
***message*** 224
The count of word: 100
0.107350111008

2) 敏感词 1000 个

----------------dfa-----------
***message*** 224
0.324251890182
------------normal--------------
***message*** 224
The count of word: 1000
1.05939006805

从上面的实验我们可以看出，在DFA 算法只有在敏感词较多的情况下，才有意义。在百来个敏感词的情况下，甚至不如普通算法

下面从理论上推导时间复杂度，为了方便分析，首先假定消息文本是等长的,长度为lenA；每个敏感词的长度相同，长度为lenB，敏感词的个数是m。

1) DFA算法的核心是构建一棵多叉树，由于我们已经假设，敏感词的长度相同，所以树的最大深度为lenB，那么我们可以说从消息文本的某个位置（字节)开始的某个子串是否在敏感词树中，最多只用经过lenB次匹配.也就是说判断一个消息文本中是否有敏感词的时间复杂度是lenA * lenB

2) 再来看看普通做法，是使用for循环，对每一个敏感词，依次在消息文本中进行查找，假定字符串是使用KMP算法,KMP算法的时间复杂度是O(lenA + lenB)

那么对m个敏感词查找的时间复杂度是 (lenA + lenB ) * m

综上所述，DFA 算法的时间复杂度基本上是与敏感词的个数无关的。