sensitive-word java 如何实现一个敏感词工具？违禁词实现思路梳理
拓展阅读
开源地址
为了便于大家学习，项目开源地址如下，欢迎 fork+star 鼓励一下老马~
敏感词
我们只要是涉及到用户可以自由发表言论的网站，或者说收集对应的信息。
都会涉及到用户的输入词敏感问题。
敏感类别
类似于直接给敏感词打一个标签。(label)
- 内容安全
内容暴露个人信息。
身份证，密码，手机号。银行卡号。
用户名，出生年月，家庭住址。年龄。
-
暴力色情
-
反动违法
-
广告推广垃圾信息
微信（公众号，等等）
地址，网址。
-
流言蜚语（造谣）
-
诈骗
-
其他
最好可以对敏感词进行分类。
敏感词的来源
-
内置常见的网站和开源项目词典
-
用户自定义
api 设计
FindAll, Validate, Filter and Replace words.
是否包含
valid() 是否合法，这个和是否包含敏感词恰恰相反。
contains() 是否包含敏感词
findAll() 发现所有
findFirst() 发现第一个
返回的信息
可以是 (start, end, word, label)
也可以指定只返回 word，
filter
filter(“xxx”) 默认直接移除
filter(“xxx”, “*”) 全部使用指定的词语代替
不指定和指定字符串只是一种过滤策略的默认形式。
filter(“xxx”, FilterStrategy) 默认的替换策略。
拼音策略
直接使用拼音替代
这种功能应该放在拓展模块，引入特定的拓展包。不作为核心必须功能。
噪音模式
这里可以用【停顿词】替换，默认使用停顿词。
当然也可以用户自定义停顿词，进行文本信息的降噪处理。
比如：
你这个坏x人
我们如果认为 x 是噪音，就可以直接忽略这个词，进而将【坏人】合成一个新的词汇。
递归处理
如果一句话，替换以后也可能出现敏感词，这个就可以使用递归模式处理。
比如：
坏坏人人
坏人 直接移除，剩下的还是 坏人，所以如果直接使用移除策略，是比较麻烦的。
ps: 直接使用 DFA 算法试试。
相关优化
文件处理
将所有的敏感词直接处理为单个文件。（如果未作分类的话）
尽量西分开：
（1）广告
（2）停顿词等等
便于后期处理。
停顿词
停顿词的引入。
大小写，全角半角
忽略英文大小写
繁简体
忽略繁简体。（拓展）
直接将所有内容转换为统一的简体处理。
拼音
所有敏感词的拼音引入（拓展）
拼音首字母，或者任何一个变为拼音（或者首字母）
翻转
直接进行全拼的翻转。这里针对：
（1）政治类
（2）色情暴力类
提升级别。
提升准确率
可以考虑引入单词的频率。
相关技术
DFA 算法
【停止维护】使用DFA算法实现的内容安全,反垃圾,智能鉴黄,敏感词过滤,不良信息检测，文本校验，敏感词检测，包括关键词提取，过滤html标签等。
使用DFA算法实现的敏感词过滤。主要用于实现数据文本的内容安全,反垃圾,智能鉴黄,敏感词过滤,不良信息检测，携带文本的关键词获取。
-
过滤SQL脚本
-
过滤script标签
-
过滤html标签
以上非法攻击类暂时不做优先处理。
-
过滤中文字符
-
过滤英文字符
-
过滤数字
-
过滤字母
-
过滤汉字
-
自定义过滤，可由后台自动删除添加。提供完善的API。
具体通过实现DFA算法实现对敏感词、广告词的过滤功能：
1、匹配大小写过滤
2、匹配全角半角过滤
3、匹配过滤停顿词过滤。
支持如下类型类型过滤检测：
fuck 全小写
FuCk 大小写
ｆｕｃｋ全角半角
f!!!u&c ###k 停顿词
fffuuuucccckkk 重复词
AC 自动机
AC自动机
Trie 树
提升性能。
又称单词查找树，trie树，是一种树形结构，是一种哈希树的变种。
典型应用是用于统计，排序和保存大量的字符串（但不仅限于字符串），所以经常被搜索引擎系统用于文本词频统计。
它的优点是：
利用字符串的公共前缀来减少查询时间，最大限度地减少无谓的字符串比较，查询效率比哈希树高。
关于trie树详细信息请自行baidu
其他框架-拓展功能
pinyin 转换框架
全角半角之间的转换。
拓展阅读
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。 如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：veading@qq.com进行投诉反馈，一经查实，立即删除！