网站敏感词过滤的实现(附敏感词库)


现在基本上所有的网站都需要设置敏感词过滤,似乎已经成了一个网站的标配,如果你的网站没有,或者你没有做相应的处理,那么小心相关部门请你喝茶哦。
最近在调研Java web网站的敏感词过滤的实现,网上找了相关资料,经过我的验证,把我的调研结果写出来,供大家参考。

一、敏感词过滤工具类

把敏感词词库内容加载到ArrayList集合中,通过双层循环,查找与敏感词列表相匹配的字符串,如果找到以*号替换,最终得到替换后的字符串。

此种方式匹配度较高,匹配速度良好。

初始化敏感词库

//初始化敏感词库
public void InitializationWork()  
{  
    replaceAll = new StringBuilder(replceSize);  
    for(int x=0;x < replceSize;x++)  
    {  
        replaceAll.append(replceStr);  
    }  
    //加载词库  
    arrayList = new ArrayList<String>();  
    InputStreamReader read = null;  
    BufferedReader bufferedReader = null;  
    try {  
        read = new InputStreamReader(SensitiveWord.class.getClassLoader().getResourceAsStream(fileName),encoding);  
        bufferedReader = new BufferedReader(read);  
        for(String txt = null;(txt = bufferedReader.readLine()) != null;){  
            if(!arrayList.contains(txt))  
                arrayList.add(txt);  
        }  
    } catch (UnsupportedEncodingException e) {  
        e.printStackTrace();  
    } catch (IOException e) {  
        e.printStackTrace();  
    }finally{  
        try {  
            if(null != bufferedReader)  
            bufferedReader.close();  
        } catch (IOException e) {  
            e.printStackTrace();  
        }  
        try {  
            if(null != read)  
            read.close();  
        } catch (IOException e) {  
            e.printStackTrace();  
        }  
    }  
}  

过滤敏感词信息

public String filterInfo(String str)  
{   
    sensitiveWordSet = new HashSet<String>();
    sensitiveWordList= new ArrayList<>();
    StringBuilder buffer = new StringBuilder(str);  
    HashMap<Integer, Integer> hash = new HashMap<Integer, Integer>(arrayList.size());  
    String temp;  
    for(int x = 0; x < arrayList.size();x++)  
    {  
        temp = arrayList.get(x);  
        int findIndexSize = 0;  
        for(int start = -1;(start=buffer.indexOf(temp,findIndexSize)) > -1;)  
        {  
            //System.out.println("###replace="+temp);
            findIndexSize = start+temp.length();//从已找到的后面开始找  
            Integer mapStart = hash.get(start);//起始位置  
            if(mapStart == null || (mapStart != null && findIndexSize > mapStart))//满足1个,即可更新map  
            {  
                hash.put(start, findIndexSize); 
                //System.out.println("###敏感词:"+buffer.substring(start, findIndexSize));
            }  
        }  
    }  
    Collection<Integer> values = hash.keySet();  
    for(Integer startIndex : values)  
    {  
        Integer endIndex = hash.get(startIndex);  
        //获取敏感词,并加入列表,用来统计数量
        String sensitive = buffer.substring(startIndex, endIndex);
        //System.out.println("###敏感词:"+sensitive);
        if (!sensitive.contains("*")) {//添加敏感词到集合
            sensitiveWordSet.add(sensitive);
            sensitiveWordList.add(sensitive);
}
        buffer.replace(startIndex, endIndex, replaceAll.substring(0,endIndex-startIndex));
    }  
    hash.clear();  
    return buffer.toString();  
}  

下载地址:SensitiveWord
链接: https://pan.baidu.com/s/12RcZ8-jNHMAR__VscRUDfQ 密码: qmcw

二、Java关键词过滤

这个方式采用的是正则表达式匹配,速度上比第一种稍慢,匹配度良好。

主要代码:

// 从words.properties初始化正则表达式字符串
private static void initPattern() {
    StringBuffer patternBuffer = new StringBuffer();
    try {
        //words.properties
        InputStream in = KeyWordFilter.class.getClassLoader().getResourceAsStream("keywords.properties");
        Properties property = new Properties();
        property.load(in);
        Enumeration<?> enu = property.propertyNames();
        patternBuffer.append("(");
        while (enu.hasMoreElements()) {
            String scontent = (String) enu.nextElement();
            patternBuffer.append(scontent + "|");
            //System.out.println(scontent);
            keywordsCount ++;
        }
        patternBuffer.deleteCharAt(patternBuffer.length() - 1);
        patternBuffer.append(")");
        //System.out.println(patternBuffer);
        // unix换成UTF-8
        // pattern = Pattern.compile(new
        // String(patternBuf.toString().getBytes("ISO-8859-1"), "UTF-8"));
        // win下换成gb2312
        // pattern = Pattern.compile(new String(patternBuf.toString()
        // .getBytes("ISO-8859-1"), "gb2312"));
        // 装换编码
        pattern = Pattern.compile(patternBuffer.toString());
    } catch (IOException ioEx) {
        ioEx.printStackTrace();
    }
}

private static String doFilter(String str) {
    Matcher m = pattern.matcher(str);
//      while (m.find()) {// 查找符合pattern的字符串
//          System.out.println("The result is here :" + m.group());
//      }
    // 选择替换方式,这里以* 号代替
    str = m.replaceAll("*");
    return str;
}

下载地址:KeyWordFilter
链接: http://pan.baidu.com/s/1kVBl803 密码: xi24

三、DFA算法进行过滤

这种方式听起来高大上,采用DFA算法,这个算法个人不太懂,经测试发现,匹配度不行,速度良好。或许可以改良,还请大神进行改良。

主要有两个文件:SensitivewordFilter.java 和 SensitiveWordInit.java

主要代码:

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){        //长度必须大于等于1,为词 
        matchFlag = 0;
    }
    return matchFlag;
}

下载地址:SensitivewordFilter
链接: http://pan.baidu.com/s/1ccsa66 密码: mc1x

四、多叉树查找算法

这个方式采用了多叉树查找算法,至于这个算法是怎么回事,大家可以去查看数据结构相关内容。提供了jar包,直接调用进行过滤。

经测试,这个方法匹配度良好,速度稍慢。

调用方式:

//敏感词过滤
FilteredResult result = WordFilterUtil.filterText(str, '*');
//获取过滤后的内容
System.out.println("替换后的字符串为:/n"+result.getFilteredContent());
//获取原始字符串
System.out.println("原始字符串为:/n"+result.getOriginalContent());
//获取替换的敏感词
System.out.println("替换的敏感词为:/n"+result.getBadWords());

下载地址:WordFilterUtil
链接: http://pan.baidu.com/s/1nvftzeD 密码: 5t2h

以上就是我的调研结果,希望对大家有所帮助。

最后,附上大量敏感词库下载地址
链接: https://pan.baidu.com/s/1n-GH-OO6nQ5oJk5h5qHVkA 密码: qsv9

 蓝奏云:https://www.lanzous.com/i523jpe 密码:azv0


参考了以下文章:
《高效精准》敏感字&词过滤
Java关键字过滤
Java实现敏感词过滤
高效Java敏感词、关键词过滤工具包_过滤非法词句

其他
– 个人博客:http://www.sendtion.cn
– CSDN:http://blog.csdn.net/shuyou612
– GitHub:https://github.com/sendtion

原创文章,作者:Maggie-Hunter,如若转载,请注明出处:https://blog.ytso.com/244705.html

(0)
上一篇 2022年4月17日
下一篇 2022年4月17日

发表回复

登录后才能评论