您好,登錄后才能下訂單哦!
最近弄了一個用戶發(fā)表評論的功能,用戶上傳了評論,再文章下可以看到自己的評論,但作為社會主義接班人,踐行社會主義核心價值觀,所以給評論敏感詞過濾的功能不可少,在網上找了資料,發(fā)現已經有非常成熟的解決方案。 常用的方案用這么兩種
1.全文搜索,逐個匹配。這種聽起來就不夠高大上,在數據量大的情況下,會有效率問題,文末有比較
2.DFA算法-確定有限狀態(tài)自動機 附上百科鏈接確定有限狀態(tài)自動機
DFA算法介紹
DFA是一種計算模型,數據源是一個有限個集合,通過當前狀態(tài)和事件來確定下一個狀態(tài),即 狀態(tài)+事件=下一狀態(tài),由此逐步構建一個有向圖,其中的節(jié)點就是狀態(tài),所以在DFA算法中只有查找和判斷,沒有復雜的計算,從而提高算法效率
參考文章 Java實現敏感詞過濾
實現邏輯
構造數據結構
將敏感詞轉換成樹結構,舉例敏感詞有著這么幾個 ['日本鬼子','日本人','日本男人'] ,那么數據結構如下(圖片引用參考文章)
每個文字是一個節(jié)點,連續(xù)的節(jié)點組成一個詞, 日本人 對應的就是中間的那條鏈,我們可以使用對象或者map來構建樹,這里的栗子采用 map 構建節(jié)點,每個節(jié)點中有個狀態(tài)標識,用來表示當前節(jié)點是不是最后一個,每條鏈路必須要有個終點節(jié)點,先來看下構建節(jié)點的流程圖
判斷邏輯
先從文本的第一個字開始檢查,比如 你我是日本鬼子 ,第一個字 你 ,在樹的第一層找不到這個節(jié)點,那么繼續(xù)找第二個字,到了 日 的時候,第一層節(jié)點找到了,那么接著下一層節(jié)點中查找 本 ,同時判斷這個節(jié)點是不是結尾節(jié)點,若是結尾節(jié)點,則匹配成功了,反之繼續(xù)匹配
代碼實現
####構造數據結構
/** * @description * 構造敏感詞map * @private * @returns */ private makeSensitiveMap(sensitiveWordList) { // 構造根節(jié)點 const result = new Map(); for (const word of sensitiveWordList) { let map = result; for (let i = 0; i < word.length; i++) { // 依次獲取字 const char = word.charAt(i); // 判斷是否存在 if (map.get(char)) { // 獲取下一層節(jié)點 map = map.get(char); } else { // 將當前節(jié)點設置為非結尾節(jié)點 if (map.get('laster') === true) { map.set('laster', false); } const item = new Map(); // 新增節(jié)點默認為結尾節(jié)點 item.set('laster', true); map.set(char, item); map = map.get(char); } } } return result; }
最終map結構如下
查找敏感詞
/** * @description * 檢查敏感詞是否存在 * @private * @param {any} txt * @param {any} index * @returns */ private checkSensitiveWord(sensitiveMap, txt, index) { let currentMap = sensitiveMap; let flag = false; let wordNum = 0;//記錄過濾 let sensitiveWord = ''; //記錄過濾出來的敏感詞 for (let i = index; i < txt.length; i++) { const word = txt.charAt(i); currentMap = currentMap.get(word); if (currentMap) { wordNum++; sensitiveWord += word; if (currentMap.get('laster') === true) { // 表示已到詞的結尾 flag = true; break; } } else { break; } } // 兩字成詞 if (wordNum < 2) { flag = false; } return { flag, sensitiveWord }; } /** * @description * 判斷文本中是否存在敏感詞 * @param {any} txt * @returns */ public filterSensitiveWord(txt, sensitiveMap) { let matchResult = { flag: false, sensitiveWord: '' }; // 過濾掉除了中文、英文、數字之外的 const txtTrim = txt.replace(/[^\u4e00-\u9fa5\u0030-\u0039\u0061-\u007a\u0041-\u005a]+/g, ''); for (let i = 0; i < txtTrim.length; i++) { matchResult = checkSensitiveWord(sensitiveMap, txtTrim, i); if (matchResult.flag) { console.log(`sensitiveWord:${matchResult.sensitiveWord}`); break; } } return matchResult; }
效率
為了看出DFA的效率,我做了個簡單的小測試,測試的文本長度為5095個漢字,敏感詞詞庫中有2000個敏感詞,比較的算法分別為 DFA算法 和 String原生對象提供的 indexOf API做比較
// 簡單的字符串匹配-indexOf ensitiveWords.forEach((word) => { if (ss.indexOf(word) !== -1) { console.log(word) } })
分別將兩個算法執(zhí)行100次,得到如下結果
可直觀看出, DFA 的平均耗時是在1ms左右,最大為5ms; indexOf 方式的平均耗時在9ms左右,最大為14ms,所以DFA效率上還是非常明顯有優(yōu)勢的。
總結
以上所述是小編給大家介紹的js實現敏感詞過濾算法及實現邏輯,希望對大家有所幫助,如果大家有任何疑問請給我留言,小編會及時回復大家的。在此也非常感謝大家對億速云網站的支持!
免責聲明:本站發(fā)布的內容(圖片、視頻和文字)以原創(chuàng)、轉載和分享為主,文章觀點不代表本網站立場,如果涉及侵權請聯系站長郵箱:is@yisu.com進行舉報,并提供相關證據,一經查實,將立刻刪除涉嫌侵權內容。