Python实现敏感词过滤的4种方法

在我们生活中的一些场合经常会有一些不该出现的敏感词，我们通常会使用*去屏蔽它，例如：尼玛 -> **，一些骂人的敏感词和一些*词都不应该出现在一些公共场合中，这个时候我们就需要一定的手段去屏蔽这些敏感词。下面我来介绍一些简单版本的敏感词屏蔽的方法。

（我已经尽量把脏话做成图片的形式了，要不然文章发不出去）

方法一：replace过滤

replace就是最简单的字符串替换，当一串字符串中有可能会出现的敏感词时，我们直接使用相应的replace方法用*替换出敏感词即可。

缺点：

文本和敏感词少的时候还可以，多的时候效率就比较差了

import datetime
now = datetime.datetime.now()
print(filter_sentence, " | ", now)

如果是多个敏感词可以用列表进行逐一替换

for i in dirty:
 speak = speak.replace(i, '*')
print(speak, " | ", now)

方法二：正则表达式过滤

正则表达式算是一个不错的匹配方法了，日常的查询中，机会都会用到正则表达式，包括我们的爬虫，也都是经常会使用到正则表达式的，在这里我们主要是使用“|”来进行匹配，“|”的意思是从多个目标字符串中选择一个进行匹配。写个简单的例子：

import re

def sentence_filter(keywords, text):
 return re.sub("|".join(keywords), "***", text)

print(sentence_filter(dirty, speak))

方法三：dfa过滤算法

dfa的算法，即deterministic finite automaton算法，翻译成中文就是确定有穷自动机算法。它的基本思想是基于状态转移来检索敏感词，只需要扫描一次待检测文本，就能对所有敏感词进行检测。（实现见代码注释）

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# @time：2020/4/15 11:40
# @software：pycharm
# article_add: https://www.cnblogs.com/jentzhang/p/12718092.html
__author__ = "jentzhang"
import json

minmatchtype = 1 # 最小匹配规则
maxmatchtype = 2 # 最大匹配规则


class dfautils(object):
 """
 dfa算法
 """

 def __init__(self, word_warehouse):
  """
  算法初始化
  :param word_warehouse:词库
  """
  # 词库
  self.root = dict()
  # 无意义词库,在检测中需要跳过的（这种无意义的词最后有个专门的地方维护，保存到数据库或者其他存储介质中）
  self.skip_root = [' ', '&', '!', '！', '@', '#', '$', '￥', '*', '^', '%', '?', '？', '<', '>', "《", '》']
  # 初始化词库
  for word in word_warehouse:
   self.add_word(word)

 def add_word(self, word):
  """
  添加词库
  :param word:
  :return:
  """
  now_node = self.root
  word_count = len(word)
  for i in range(word_count):
   char_str = word[i]
   if char_str in now_node.keys():
    # 如果存在该key，直接赋值，用于下一个循环获取
    now_node = now_node.get(word[i])
    now_node['is_end'] = false
   else:
    # 不存在则构建一个dict
    new_node = dict()

    if i == word_count - 1: # 最后一个
     new_node['is_end'] = true
    else: # 不是最后一个
     new_node['is_end'] = false

    now_node[char_str] = new_node
    now_node = new_node

 def check_match_word(self, txt, begin_index, match_type=minmatchtype):
  """
  检查文字中是否包含匹配的字符
  :param txt:待检测的文本
  :param begin_index: 调用getsensitiveword时输入的参数，获取词语的上边界index
  :param match_type:匹配规则 1：最小匹配规则，2：最大匹配规则
  :return:如果存在，则返回匹配字符的长度，不存在返回0
  """
  flag = false
  match_flag_length = 0 # 匹配字符的长度
  now_map = self.root
  tmp_flag = 0 # 包括特殊字符的敏感词的长度

  for i in range(begin_index, len(txt)):
   word = txt[i]

   # 检测是否是特殊字符"
   if word in self.skip_root and len(now_map) < 100:
    # len(nowmap)<100 保证已经找到这个词的开头之后出现的特殊字符
    tmp_flag += 1
    continue

   # 获取指定key
   now_map = now_map.get(word)
   if now_map: # 存在，则判断是否为最后一个
    # 找到相应key，匹配标识+1
    match_flag_length += 1
    tmp_flag += 1
    # 如果为最后一个匹配规则，结束循环，返回匹配标识数
    if now_map.get("is_end"):
     # 结束标志位为true
     flag = true
     # 最小规则，直接返回,最大规则还需继续查找
     if match_type == minmatchtype:
      break
   else: # 不存在，直接返回
    break

  if tmp_flag < 2 or not flag: # 长度必须大于等于1，为词
   tmp_flag = 0
  return tmp_flag

 def get_match_word(self, txt, match_type=minmatchtype):
  """
  获取匹配到的词语
  :param txt:待检测的文本
  :param match_type:匹配规则 1：最小匹配规则，2：最大匹配规则
  :return:文字中的相匹配词
  """
  matched_word_list = list()
  for i in range(len(txt)): # 0---11
   length = self.check_match_word(txt, i, match_type)
   if length > 0:
    word = txt[i:i + length]
    matched_word_list.append(word)
    # i = i + length - 1
  return matched_word_list

 def is_contain(self, txt, match_type=minmatchtype):
  """
  判断文字是否包含敏感字符
  :param txt:待检测的文本
  :param match_type:匹配规则 1：最小匹配规则，2：最大匹配规则
  :return:若包含返回true，否则返回false
  """
  flag = false
  for i in range(len(txt)):
   match_flag = self.check_match_word(txt, i, match_type)
   if match_flag > 0:
    flag = true
  return flag

 def replace_match_word(self, txt, replace_char='*', match_type=minmatchtype):
  """
  替换匹配字符
  :param txt:待检测的文本
  :param replace_char:用于替换的字符，匹配的敏感词以字符逐个替换，如"你是大王八"，敏感词"王八"，替换字符*，替换结果"你是大**"
  :param match_type:匹配规则 1：最小匹配规则，2：最大匹配规则
  :return:替换敏感字字符后的文本
  """
  tuple_set = self.get_match_word(txt, match_type)
  word_set = [i for i in tuple_set]
  result_txt = ""
  if len(word_set) > 0: # 如果检测出了敏感词，则返回替换后的文本
   for word in word_set:
    replace_string = len(word) * replace_char
    txt = txt.replace(word, replace_string)
    result_txt = txt
  else: # 没有检测出敏感词，则返回原文本
   result_txt = txt
  return result_txt


if __name__ == '__main__':
 dfa = dfautils(word_warehouse=word_warehouse)
 print('词库结构：', json.dumps(dfa.root, ensure_ascii=false))
 # 待检测的文本
 msg = msg
 print('是否包含：', dfa.is_contain(msg))
 print('相匹配的词：', dfa.get_match_word(msg))
 print('替换包含的词：', dfa.replace_match_word(msg))

方法四：ac自动机

ac自动机需要有前置知识：trie树（简单介绍：又称前缀树，字典树，是用于快速处理字符串的问题，能做到快速查找到一些字符串上的信息。）

详细参考：

ac自动机,就是在tire树的基础上,增加一个fail指针,如果当前点匹配失败,则将指针转移到fail指针指向的地方,这样就不用回溯,而可以路匹配下去了。

详细匹配机制我在这里不过多赘述，关于ac自动机可以参考一下这篇文章：

python可以利用ahocorasick模块快速实现：

# python3 -m pip install pyahocorasick
import ahocorasick

def build_actree(wordlist):
 actree = ahocorasick.automaton()
 for index, word in enumerate(wordlist):
  actree.add_word(word, (index, word))
 actree.make_automaton()
 return actree

if __name__ == '__main__':
 actree = build_actree(wordlist=wordlist)
 sent_cp = sent
 for i in actree.iter(sent):
  sent_cp = sent_cp.replace(i[1][1], "**")
  print("屏蔽词：",i[1][1])
 print("屏蔽结果：",sent_cp)

当然，我们也可以手写一份ac自动机，具体参考：

class trienode(object):
 __slots__ = ['value', 'next', 'fail', 'emit']

 def __init__(self, value):
  self.value = value
  self.next = dict()
  self.fail = none
  self.emit = none


class ahocorasic(object):
 __slots__ = ['_root']

 def __init__(self, words):
  self._root = ahocorasic._build_trie(words)

 @staticmethod
 def _build_trie(words):
  assert isinstance(words, list) and words
  root = trienode('root')
  for word in words:
   node = root
   for c in word:
    if c not in node.next:
     node.next[c] = trienode(c)
    node = node.next[c]
   if not node.emit:
    node.emit = {word}
   else:
    node.emit.add(word)
  queue = []
  queue.insert(0, (root, none))
  while len(queue) > 0:
   node_parent = queue.pop()
   curr, parent = node_parent[0], node_parent[1]
   for sub in curr.next.itervalues():
    queue.insert(0, (sub, curr))
   if parent is none:
    continue
   elif parent is root:
    curr.fail = root
   else:
    fail = parent.fail
    while fail and curr.value not in fail.next:
     fail = fail.fail
    if fail:
     curr.fail = fail.next[curr.value]
    else:
     curr.fail = root
  return root

 def search(self, s):
  seq_list = []
  node = self._root
  for i, c in enumerate(s):
   matched = true
   while c not in node.next:
    if not node.fail:
     matched = false
     node = self._root
     break
    node = node.fail
   if not matched:
    continue
   node = node.next[c]
   if node.emit:
    for _ in node.emit:
     from_index = i + 1 - len(_)
     match_info = (from_index, _)
     seq_list.append(match_info)
    node = self._root
  return seq_list


if __name__ == '__main__':
 aho = ahocorasic(['foo', 'bar'])
 print aho.search('barfoothefoobarman')

以上便是使用python实现敏感词过滤的四种方法，前面两种方法比较简单，后面两种偏向算法，需要先了解算法具体实现的原理，之后代码就好懂了。（dfa作为比较常用的过滤手段，建议大家掌握一下~）

最后附上敏感词词库：

以上就是python实现敏感词过滤的4种方法的详细内容，更多关于python 敏感词过滤的资料请关注其它相关文章！