溫馨提示×
您好，登錄后才能下訂單哦！
點(diǎn)擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
這期內(nèi)容當(dāng)中小編將會給大家?guī)碛嘘P(guān)Serverless如何實現(xiàn)文本敏感詞過濾，文章內(nèi)容豐富且以專業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。
敏感詞過濾是隨著互聯(lián)網(wǎng)社區(qū)發(fā)展一起發(fā)展起來的一種阻止網(wǎng)絡(luò)犯罪和網(wǎng)絡(luò)暴力的技術(shù)手段，通過對可能存在犯罪或網(wǎng)絡(luò)暴力可能的關(guān)鍵詞進(jìn)行有針對性的篩查和屏蔽，很多時候我們能夠防患于未然，把后果嚴(yán)重的犯罪行為扼殺于萌芽之中。
隨著各種社交平臺等的日益火爆，敏感詞過濾逐漸成了非常重要的也是值得重視的功能。那么在 Serverless 架構(gòu)下，通過Python 語言，敏感詞過濾又有那些新的實現(xiàn)呢？我們能否是用最簡單的方法，實現(xiàn)一個敏感詞過濾的API呢？
如果說敏感詞過濾，其實不如說是文本的替換，以Python為例，說到詞匯替換，不得不想到replace，我們可以準(zhǔn)備一個敏感詞庫，然后通過replace進(jìn)行敏感詞替換:
def worldFilter(keywords, text):
for eve in keywords:
text = text.replace(eve, "***")
return text
keywords = ("關(guān)鍵詞1", "關(guān)鍵詞2", "關(guān)鍵詞3")
content = "這是一個關(guān)鍵詞替換的例子，這里涉及到了關(guān)鍵詞1還有關(guān)鍵詞2，最后還會有關(guān)鍵詞3。"
print(worldFilter(keywords, content))但是動動腦大家就會發(fā)現(xiàn)，這種做法在文本和敏感詞庫非常龐大的前提下，會有很嚴(yán)重的性能問題。例如我將代碼進(jìn)行修改，進(jìn)行基本的性能測試：
import time def worldFilter(keywords, text): for eve in keywords: text = text.replace(eve, "***") return text keywords =[ "關(guān)鍵詞" + str(i) for i in range(0,10000)] content = "這是一個關(guān)鍵詞替換的例子，這里涉及到了關(guān)鍵詞1還有關(guān)鍵詞2，最后還會有關(guān)鍵詞3。" * 1000 startTime = time.time() worldFilter(keywords, content) print(time.time()-startTime)
此時的輸出結(jié)果是：0.12426114082336426，可以看到性能非常差。
與其用replace，還不如通過正則表達(dá)re.sub來的更加快速。
import time
import re
def worldFilter(keywords, text):
return re.sub("|".join(keywords), "***", text)
keywords =[ "關(guān)鍵詞" + str(i) for i in range(0,10000)]
content = "這是一個關(guān)鍵詞替換的例子，這里涉及到了關(guān)鍵詞1還有關(guān)鍵詞2，最后還會有關(guān)鍵詞3。" * 1000
startTime = time.time()
worldFilter(keywords, content)
print(time.time()-startTime)我們同樣增加性能測試，按照上面的方法進(jìn)行改造測試，輸出結(jié)果是0.24773502349853516。通過這樣的例子，我們可以發(fā)現(xiàn)，其性能磣韓劇并不大，但是實際上隨著文本量增加，正則表達(dá)這種做法在性能層面會變高很多。
這種方法相對來說效率會更高一些。例如，我們認(rèn)為壞人，壞孩子，壞蛋是敏感詞，則他們的樹關(guān)系可以表達(dá)：
用DFA字典來表示：
{
'壞': {
'蛋': {
'\x00': 0
},
'人': {
'\x00': 0
},
'孩': {
'子': {
'\x00': 0
}
}
}
}使用這種樹表示問題最大的好處就是可以降低檢索次數(shù)，提高檢索效率，基本代碼實現(xiàn)：
import time
class DFAFilter(object):
def __init__(self):
self.keyword_chains = {} # 關(guān)鍵詞鏈表
self.delimit = '\x00' # 限定
def parse(self, path):
with open(path, encoding='utf-8') as f:
for keyword in f:
chars = str(keyword).strip().lower() # 關(guān)鍵詞英文變?yōu)樾?
if not chars: # 如果關(guān)鍵詞為空直接返回
return
level = self.keyword_chains
for i in range(len(chars)):
if chars[i] in level:
level = level[chars[i]]
else:
if not isinstance(level, dict):
break
for j in range(i, len(chars)):
level[chars[j]] = {}
last_level, last_char = level, chars[j]
level = level[chars[j]]
last_level[last_char] = {self.delimit: 0}
break
if i == len(chars) - 1:
level[self.delimit] = 0
def filter(self, message, repl="*"):
message = message.lower()
ret = []
start = 0
while start < len(message):
level = self.keyword_chains
step_ins = 0
for char in message[start:]:
if char in level:
step_ins += 1
if self.delimit not in level[char]:
level = level[char]
else:
ret.append(repl * step_ins)
start += step_ins - 1
break
else:
ret.append(message[start])
break
else:
ret.append(message[start])
start += 1
return ''.join(ret)
gfw = DFAFilter()
gfw.parse( "./sensitive_words")
content = "這是一個關(guān)鍵詞替換的例子，這里涉及到了關(guān)鍵詞1還有關(guān)鍵詞2，最后還會有關(guān)鍵詞3。" * 1000
startTime = time.time()
result = gfw.filter(content)
print(time.time()-startTime)這里我們的字典庫是：
with open("./sensitive_words", 'w') as f:
f.write("\n".join( [ "關(guān)鍵詞" + str(i) for i in range(0,10000)]))執(zhí)行結(jié)果：
0.06450581550598145
可以看到性能進(jìn)一步提升。
接下來，我們來看一下 AC自動機(jī)過濾敏感詞算法：
AC自動機(jī)：一個常見的例子就是給出n個單詞，再給出一段包含m個字符的文章，讓你找出有多少個單詞在文章里出現(xiàn)過。
簡單地講，AC自動機(jī)就是字典樹+kmp算法+失配指針
代碼實現(xiàn)：
import time
class Node(object):
def __init__(self):
self.next = {}
self.fail = None
self.isWord = False
self.word = ""
class AcAutomation(object):
def __init__(self):
self.root = Node()
# 查找敏感詞函數(shù)
def search(self, content):
p = self.root
result = []
currentposition = 0
while currentposition < len(content):
word = content[currentposition]
while word in p.next == False and p != self.root:
p = p.fail
if word in p.next:
p = p.next[word]
else:
p = self.root
if p.isWord:
result.append(p.word)
p = self.root
currentposition += 1
return result
# 加載敏感詞庫函數(shù)
def parse(self, path):
with open(path, encoding='utf-8') as f:
for keyword in f:
temp_root = self.root
for char in str(keyword).strip():
if char not in temp_root.next:
temp_root.next[char] = Node()
temp_root = temp_root.next[char]
temp_root.isWord = True
temp_root.word = str(keyword).strip()
# 敏感詞替換函數(shù)
def wordsFilter(self, text):
"""
:param ah: AC自動機(jī)
:param text: 文本
:return: 過濾敏感詞之后的文本
"""
result = list(set(self.search(text)))
for x in result:
m = text.replace(x, '*' * len(x))
text = m
return text
acAutomation = AcAutomation()
acAutomation.parse('./sensitive_words')
startTime = time.time()
print(acAutomation.wordsFilter("這是一個關(guān)鍵詞替換的例子，這里涉及到了關(guān)鍵詞1還有關(guān)鍵詞2，最后還會有關(guān)鍵詞3。"*1000))
print(time.time()-startTime)詞庫同樣是：
with open("./sensitive_words", 'w') as f:
f.write("\n".join( [ "關(guān)鍵詞" + str(i) for i in range(0,10000)]))使用上面的方法，測試結(jié)果為0.017391204833984375。
可以看到這個所有算法中，在上述的基本算法中DFA過濾敏感詞性能最高，但是實際上，對于后兩者算法，并沒有誰一定更好，可能某些時候，AC自動機(jī)過濾敏感詞算法會得到更高的性能，所以在生產(chǎn)生活中，推薦時候用兩者，可以根據(jù)自己的具體業(yè)務(wù)需要來做。
將代碼部署到Serverless架構(gòu)上，可以選擇API網(wǎng)關(guān)與函數(shù)計算進(jìn)行結(jié)合，以AC自動機(jī)過濾敏感詞算法為例：我們只需要增加是幾行代碼就好，完整代碼如下：
# -*- coding:utf-8 -*-
import json, uuid
class Node(object):
def __init__(self):
self.next = {}
self.fail = None
self.isWord = False
self.word = ""
class AcAutomation(object):
def __init__(self):
self.root = Node()
# 查找敏感詞函數(shù)
def search(self, content):
p = self.root
result = []
currentposition = 0
while currentposition < len(content):
word = content[currentposition]
while word in p.next == False and p != self.root:
p = p.fail
if word in p.next:
p = p.next[word]
else:
p = self.root
if p.isWord:
result.append(p.word)
p = self.root
currentposition += 1
return result
# 加載敏感詞庫函數(shù)
def parse(self, path):
with open(path, encoding='utf-8') as f:
for keyword in f:
temp_root = self.root
for char in str(keyword).strip():
if char not in temp_root.next:
temp_root.next[char] = Node()
temp_root = temp_root.next[char]
temp_root.isWord = True
temp_root.word = str(keyword).strip()
# 敏感詞替換函數(shù)
def wordsFilter(self, text):
"""
:param ah: AC自動機(jī)
:param text: 文本
:return: 過濾敏感詞之后的文本
"""
result = list(set(self.search(text)))
for x in result:
m = text.replace(x, '*' * len(x))
text = m
return text
def response(msg, error=False):
return_data = {
"uuid": str(uuid.uuid1()),
"error": error,
"message": msg
}
print(return_data)
return return_data
acAutomation = AcAutomation()
path = './sensitive_words'
acAutomation.parse(path)
def main_handler(event, context):
try:
sourceContent = json.loads(event["body"])["content"]
return response({
"sourceContent": sourceContent,
"filtedContent": acAutomation.wordsFilter(sourceContent)
})
except Exception as e:
return response(str(e), True)最后，為了方便本地測試，我們可以增加：
def test():
event = {
"requestContext": {
"serviceId": "service-f94sy04v",
"path": "/test/{path}",
"httpMethod": "POST",
"requestId": "c6af9ac6-7b61-11e6-9a41-93e8deadbeef",
"identity": {
"secretId": "abdcdxxxxxxxsdfs"
},
"sourceIp": "14.17.22.34",
"stage": "release"
},
"headers": {
"Accept-Language": "en-US,en,cn",
"Accept": "text/html,application/xml,application/json",
"Host": "service-3ei3tii4-251000691.ap-guangzhou.apigateway.myqloud.com",
"User-Agent": "User Agent String"
},
"body": "{\"content\":\"這是一個測試的文本，我也就呵呵了\"}",
"pathParameters": {
"path": "value"
},
"queryStringParameters": {
"foo": "bar"
},
"headerParameters": {
"Refer": "10.0.2.14"
},
"stageVariables": {
"stage": "release"
},
"path": "/test/value",
"queryString": {
"foo": "bar",
"bob": "alice"
},
"httpMethod": "POST"
}
print(main_handler(event, None))
if __name__ == "__main__":
test()完成之后，我們就可以測試運(yùn)行一下，例如我的字典是：
呵呵 測試
執(zhí)行之后結(jié)果：
{'uuid': '9961ae2a-5cfc-11ea-a7c2-acde48001122', 'error': False, 'message': {'sourceContent': '這是一個測試的文本，我也就呵呵了', 'filtedContent': '這是一個**的文本，我也就**了'}}接下來，我們將代碼部署到云端，新建serverless.yaml:
sensitive_word_filtering: component: "@serverless/tencent-scf" inputs: name: sensitive_word_filtering codeUri: ./ exclude: - .gitignore - .git/** - .serverless - .env handler: index.main_handler runtime: Python3.6 region: ap-beijing description: 敏感詞過濾 memorySize: 64 timeout: 2 events: - apigw: name: serverless parameters: environment: release endpoints: - path: /sensitive_word_filtering description: 敏感詞過濾 method: POST enableCORS: true param: - name: content position: BODY required: 'FALSE' type: string desc: 待過濾的句子
然后通過sls --debug進(jìn)行部署，部署結(jié)果：
最后，通過PostMan進(jìn)行測試：
敏感詞過濾是目前非常常見的需求/技術(shù)，通過敏感詞過濾，我們可以在一定程度上降低惡意言語或者違規(guī)言論的出現(xiàn)，在上述實踐過程，有以下兩點(diǎn)內(nèi)容：
對于敏感詞庫額獲得問題：Github上有很多，可以自行搜索下載，因為敏感詞詞庫里面有很多敏感詞，所以我也不能直接放在這個上面供大家使用，所以還需要大家自行在Github上搜索使用；
這個API使用場景的問題：完全可以放在我們的社區(qū)跟帖系統(tǒng)/留言評論系統(tǒng)/博客發(fā)布系統(tǒng)中，防止出現(xiàn)敏感詞匯，可以降低不必要的麻煩出現(xiàn)。
上述就是小編為大家分享的Serverless如何實現(xiàn)文本敏感詞過濾了，如果剛好有類似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道。
免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點(diǎn)不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進(jìn)行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機(jī)網(wǎng)站二維碼