浅析过滤敏感词过滤算法(C++)
2016-06-16 09:20
609 查看
本文转自浅析敏感词过滤算法(C++),自己也在其基础上根据自己的情况做了一点修改。
为了提高查找效率,这里将敏感词用树形结构存储,每个节点有一个map成员,其映射关系为一个string对应一个WordNode。
比如敏感词库里面有枪手、手枪、枪支弹药这几个词,读入后就变成了如下图所示的树状结构。
STL::map是按照operator<比较判断元素是否相同,以及比较元素的大小,然后选择合适的位置插入到树中。
下面主要实现了WordNode类,进行节点的插入以及查询。
WordNode.h
WordNode.cpp
另外,
这里的PACE原本是2,因为一个GBK汉字占两个字符,而且原文中也说了如果需要考虑英文或中英文结合的情况,将PACE改为1。
不过我试过之后,觉得不管是中文、英文还是中英文,PACE为 1 都适用,结果都没错,只不过中文的情况下每个节点的string都不再是一个完整的汉字,而是汉字的一个字符。
接下来实现这个tree,在建立WordNode树时,以parent为根节点建立,一开始parent为m_emptyRoot,然后keyword按照规则添加到树中,假设一开始m_emptyRoot为空,keyword为”敏感词”,则会以”敏感词”为一条分支建立成为一颗树枝’敏’->’感’->’词’,此后,若想再添加”敏感度”,由于”敏感词”与”敏感度”的前两个字相同,则会在’敏’->’感’->’词’的基础上,从字’感’开始新生长出一颗分支,即’敏’->’感’->’度’,这两颗分支共用’敏’->’感’。
下面代码实现了WordTree类,进行树的构成及查询。
WordTree.h
WordTree.cpp
最后就是利用上述的Tree来实现敏感词过滤,WordFilter::censor(string &source) 函数用来进行敏感词过滤,source即输入的字符串,如果source包含敏感词,则用“**”替代掉。
WordFilter::load(const char* filepath) 函数通过文件载入敏感词,并构建WordTree,这里我用的是txt文件。
下面实现了WordFilter类。
WordFilter.h
WordFilter.cpp
这里说明一点,本人是做Cocos2d-x手游客户端开发的,程序是要移植到安卓或者iOS平台上。当逐行读取txt文件中的敏感词并构成树的时候,getline(infile, read)函数得到的read字符串后面带有结束符,比如“枪手\0”,这时跟我们需要检测的字符串“…枪手…”就明显不符合,这是检测不出来的。这种情况我现在只知道在安卓或者iOS平台存在,而在windows环境下VS中是不会出现这种问题的。所以我对读取到的字符串做了处理,把最后一个字符也就是结束符去掉,再进行下一步操作。
为了提高查找效率,这里将敏感词用树形结构存储,每个节点有一个map成员,其映射关系为一个string对应一个WordNode。
比如敏感词库里面有枪手、手枪、枪支弹药这几个词,读入后就变成了如下图所示的树状结构。
STL::map是按照operator<比较判断元素是否相同,以及比较元素的大小,然后选择合适的位置插入到树中。
下面主要实现了WordNode类,进行节点的插入以及查询。
WordNode.h
class WordNode { private: friend class WordTree; typedef map<string, WordNode> _TreeMap; typedef map<string, WordNode>::iterator _TreeMapIterator; string m_character; _TreeMap m_map; WordNode* m_parent; public: WordNode(string character); WordNode(){ m_character = ""; }; string getCharacter() const{ return m_character; }; WordNode* findChild(string& nextCharacter); WordNode* insertChild(string& nextCharacter); };
WordNode.cpp
WordNode::WordNode(string character){ if (character.size() == PACE) { m_character.assign(character); } else cout << "error" << endl; } WordNode* WordNode::findChild(string& nextCharacter){ _TreeMapIterator TreeMapIt = m_map.find(nextCharacter); if (TreeMapIt == m_map.end()) { return NULL; } else { return &TreeMapIt->second; } } WordNode* WordNode::insertChild(string& nextCharacter){ if (!findChild(nextCharacter)) { m_map.insert(pair<string,WordNode>(nextCharacter, WordNode(nextCharacter))); return &(m_map.find(nextCharacter)->second); } return NULL; }
另外,
#define PACE 1
这里的PACE原本是2,因为一个GBK汉字占两个字符,而且原文中也说了如果需要考虑英文或中英文结合的情况,将PACE改为1。
不过我试过之后,觉得不管是中文、英文还是中英文,PACE为 1 都适用,结果都没错,只不过中文的情况下每个节点的string都不再是一个完整的汉字,而是汉字的一个字符。
接下来实现这个tree,在建立WordNode树时,以parent为根节点建立,一开始parent为m_emptyRoot,然后keyword按照规则添加到树中,假设一开始m_emptyRoot为空,keyword为”敏感词”,则会以”敏感词”为一条分支建立成为一颗树枝’敏’->’感’->’词’,此后,若想再添加”敏感度”,由于”敏感词”与”敏感度”的前两个字相同,则会在’敏’->’感’->’词’的基础上,从字’感’开始新生长出一颗分支,即’敏’->’感’->’度’,这两颗分支共用’敏’->’感’。
下面代码实现了WordTree类,进行树的构成及查询。
WordTree.h
class WordTree { public: int count; WordNode* insert(string &keyword); WordNode* insert(const char* keyword); WordNode* find(string& keyword); WordTree(){ count = 0; }; private: WordNode m_emptyRoot; int m_pace; WordNode* insert(WordNode* parent, string& keyword); WordNode* insertBranch(WordNode* parent, string& keyword); WordNode* find(WordNode* parent, string& keyword); };
WordTree.cpp
WordNode* WordTree::insert(string &keyword){ return insert(&m_emptyRoot, keyword); } WordNode* WordTree::insert(const char* keyword){ string wordstr(keyword); return insert(wordstr); } WordNode* WordTree::find(string& keyword){ return find(&m_emptyRoot,keyword); } WordNode* WordTree::insert(WordNode* parent, string& keyword){ if (keyword.size() == 0) { return NULL; } string firstChar = keyword.substr(0, PACE); WordNode* firstNode = parent->findChild(firstChar); if (firstNode == NULL) { return insertBranch(parent,keyword); } string restChar = keyword.substr(PACE, keyword.size()); return insert(firstNode, restChar); } WordNode* WordTree::insertBranch(WordNode* parent, string& keyword){ string firstChar = keyword.substr(0, PACE); WordNode* firstNode = parent->insertChild(firstChar); if (firstNode != NULL) { string restChar = keyword.substr(PACE, keyword.size()); if (!restChar.empty()) { return insertBranch(firstNode, restChar); } } return NULL; } WordNode* WordTree::find(WordNode* parent, string& keyword){ string firstChar = keyword.substr(0, PACE); WordNode* firstNode = parent->findChild(firstChar); if (firstNode==NULL) { count = 0; return NULL; } string restChar = keyword.substr(PACE, keyword.size()); if (firstNode->m_map.empty()) { return firstNode; } if (keyword.size()==PACE) { return NULL; } count++; return find(firstNode, restChar); }
最后就是利用上述的Tree来实现敏感词过滤,WordFilter::censor(string &source) 函数用来进行敏感词过滤,source即输入的字符串,如果source包含敏感词,则用“**”替代掉。
WordFilter::load(const char* filepath) 函数通过文件载入敏感词,并构建WordTree,这里我用的是txt文件。
下面实现了WordFilter类。
WordFilter.h
class WordFilter { public: static WordFilter* pInstace; static WordFilter* sharedInstace(); static void release(); private: WordTree m_tree; public: void load(const char* filepath); void censor(string &source); };
WordFilter.cpp
WordFilter* WordFilter::sharedInstace(){ if (pInstace) { return pInstace; } pInstace = new WordFilter; return pInstace; } void WordFilter::release(){ if (pInstace) { delete pInstace; } pInstace = NULL; } void WordFilter::load(const char* filepath){ ifstream infile(filepath, ios::in); if (!infile) { cout << "open file error" << endl; } else { cout << "open file succeed" << endl; string read; while (getline(infile, read)) { #if (CC_TARGET_PLATFORM == CC_PLATFORM_ANDROID || CC_TARGET_PLATFORM == CC_PLATFORM_IOS) string s; s = read.substr(0, read.length() - 1); m_tree.insert(s); #endif } } infile.close(); } void WordFilter::censor(string &source){ int lenght = source.size(); for (int i = 0; i < lenght; i += 1) { string substring = source.substr(i, lenght - i); if (m_tree.find(substring) != NULL) { source.replace(i, (m_tree.count+1), "**"); lenght = source.size(); cout << "source = " << source << endl; } } }
这里说明一点,本人是做Cocos2d-x手游客户端开发的,程序是要移植到安卓或者iOS平台上。当逐行读取txt文件中的敏感词并构成树的时候,getline(infile, read)函数得到的read字符串后面带有结束符,比如“枪手\0”,这时跟我们需要检测的字符串“…枪手…”就明显不符合,这是检测不出来的。这种情况我现在只知道在安卓或者iOS平台存在,而在windows环境下VS中是不会出现这种问题的。所以我对读取到的字符串做了处理,把最后一个字符也就是结束符去掉,再进行下一步操作。
相关文章推荐
- 使用C++实现JNI接口需要注意的事项
- 关于指针的一些事情
- c++ primer 第五版 笔记前言
- share_ptr的几个注意点
- Lua中调用C++函数示例
- Lua教程(一):在C++中嵌入Lua脚本
- Lua教程(二):C++和Lua相互传递数据示例
- C++联合体转换成C#结构的实现方法
- C++高级程序员成长之路
- C++编写简单的打靶游戏
- C++ 自定义控件的移植问题
- C++变位词问题分析
- C/C++数据对齐详细解析
- C++基于栈实现铁轨问题
- C++中引用的使用总结
- 使用Lua来扩展C++程序的方法
- C++中调用Lua函数实例
- Lua和C++的通信流程代码实例
- C与C++之间相互调用实例方法讲解
- 解析C++中派生的概念以及派生类成员的访问属性