关于java中敏感词检测的一些总结
jopen
10年前
之前项目里客户提出一个需求，需要对系统中使用文本转化成语音发送的功能进行敏感词检测，禁止用户提交有敏感词的语音。通过查询各方面资料，整理了大概几种方案:
- 项目启动时对载入敏感词库作为缓存（一个大map，敏感词为key，取任意值为value）。 对请求传入的文本分词，遍历分词结果，每个分词在map中查找，如果有值，则请求文本存在敏感词。
- 把敏感词库拼接成一个大的正则表达式，然后直接对文本匹配。
- 使用DFA（确定性有限状态自动机） DFA算法
对于方案选择，在网上参考了很多别人的代码。最简单的是方法2使用正则表达式，但是据说文本一长会有很大的效率问题。关于方法3DFA算法，由于在学校的时候算法课和编译原理没有认真听讲（惭愧= =||），直接就忽略这方法了，所以最后还是决定使用方法1。
其实方法1还是有很多可以改进的方法，后来又参考了这个帖子12楼中的方法，使用索引数组加关联数组的方式，提高了检索效率,甚至连分词的步骤都省掉了。整个实现代码如下。
import org.apache.commons.lang.StringUtils; import org.apache.commons.io.FileUtils; import org.apache.commons.lang.StringUtils; import java.io.IOException; import java.util.ArrayList; import java.util.HashMap; import java.util.List; import java.util.Map; /** * User: eternity * Date: 2014/8/11 * Time: 16:17 * 敏感词检测类 * 敏感词检测初始化规则： * 将敏感词从词库载入，按照2字、3字、4字、5字等字数各生成一个敏感词哈希表。 * 在将这些哈希表组成一个数组banWordsList，数组下标表示该敏感词表字数 * banWordsList[2] = {某马:true,屏蔽:true,啦啦:true}; * banWordsList[3] = {某个马:true,三个字:true,啦啦啦:true,小广告:true}; * banWordsList[4] = {某个坏银:true,四个字符:true,哈哈哈哈:true,就爱凤姐:true}; * banWordsList[5] = {某个大法好:true,五个敏感字:true}; * 根据上面几组组敏感词，自动生成以下索引 * 生成规则为，索引名是敏感词第一个字，值是一个int * 该int的规则为，该int转换成二进制时，第i位为1表示上面4表存在长度为i的敏感词，否则不存在长度为i的敏感词(10000) * wordIndex = {二:0x04,三:0x08,四:0x10,五:0x20,某:0x3c,啦:0x0c,哈:0x10,小:0x08,就:0x10}; * * 检查规则如下: * 1，逐字检验，是否该字在wordIndex索引表中。 * 2，如果不在表中，继续检验 * 3，如果在表中，根据索引表该键的值，取此字以及此字后的若干字检验详细表banWordsList[索引词长]。 * * 检验例子 * 有一段如下文字，检验其是否包含敏感词： “我就打小广告，气死版主” ——检测“我” |-不在索引表 ——检测“就” |-在索引表 |-“就”的索引值是0x10，表示有4字以“就”开头的敏感词 |-取“就”和后面的字共4个，组成“就打小广” |-查4字敏感词表，没有这项，继续 ——检测“打” |-不在索引表 ——检测“小” |-在索引表 |-索引值是0x08，表示有3字长度的敏感词 |-取“小”和“小”后面的字，共3个字组成一个词“小广告” |-“小广告”在3字敏感词中，此帖包含敏感词，禁止发布 */ public class BanWordsUtil { // public Logger logger = Logger.getLogger(this.getClass()); public static final int WORDS_MAX_LENGTH = 10; public static final String BAN_WORDS_LIB_FILE_NAME = "banWords.txt"; //敏感词列表 public static Map[] banWordsList = null; //敏感词索引 public static Map<String, Integer> wordIndex = new HashMap<String, Integer>(); /* * 初始化敏感词库 */ public static void initBanWordsList() throws IOException { if (banWordsList == null) { banWordsList = new Map[WORDS_MAX_LENGTH]; for (int i = 0; i < banWordsList.length; i++) { banWordsList[i] = new HashMap<String, String>(); } } //敏感词词库所在目录，这里为txt文本，一个敏感词一行 String path = BanWordsUtil.class.getClassLoader() .getResource(BAN_WORDS_LIB_FILE_NAME) .getPath(); System.out.println(path); List<String> words = FileUtils.readLines(FileUtils.getFile(path)); for (String w : words) { if (StringUtils.isNotBlank(w)) { //将敏感词按长度存入map banWordsList[w.length()].put(w.toLowerCase(), ""); Integer index = wordIndex.get(w.substring(0, 1)); //生成敏感词索引，存入map if (index == null) { index = 0; } int x = (int) Math.pow(2, w.length()); index = (index | x); wordIndex.put(w.substring(0, 1), index); } } } /** * 检索敏感词 * @param content * @return */ public static List<String> searchBanWords(String content) { if (banWordsList == null) { try { initBanWordsList(); } catch (IOException e) { throw new RuntimeException(e); } } List<String> result = new ArrayList<String>(); for (int i = 0; i < content.length(); i++) { Integer index = wordIndex.get(content.substring(i, i + 1)); int p = 0; while ((index != null) && (index > 0)) { p++; index = index >> 1; String sub = ""; if ((i + p) < (content.length() - 1)) { sub = content.substring(i, i + p); } else { sub = content.substring(i); } if (((index % 2) == 1) && banWordsList[p].containsKey(sub)) { result.add(content.substring(i, i + p)); // System.out.println("找到敏感词："+content.substring(i,i+p)); } } } return result; } public static void main(String[] args) throws IOException { String content = "含有敏感词的测试语句。"; BanWordsUtil.initBanWordsList(); List<String> banWordList = BanWordsUtil.searchBanWords(content); for(String s : banWordLis){ System.out.println("找到敏感词："+s); } } }上面测试语文本里面其实没有敏感词（我也怕被屏蔽XD）,测试的时候随便加入几个敏感词都能检测出来的。这样就实现了一个简易又快速的敏感词检测，当然如果有需要比较复杂的检测逻辑(比如说“弹吉他妈妈真漂亮”这样的)，还是要用到分词工具把词拆分一下的。来自：http://my.oschina.net/u/1010578/blog/308904