赞
踩
首页图片引用自:[互联网潜规则:如何进行敏感词屏蔽](https://www.iyunying.org/yunying/yyjc/81040.html)
现在社区内敏感词算法大致实现有两种:DFA(Deterministic Finite Automaton 确定有穷自动机)算法和AC(Aho-Corasick自动机)算法,在掘金社区找到比较有代表性的两篇文章:《js实现敏感词过滤算法》和《开源了一个 JavaScript 版敏感词过滤库》
二者代码我都看了一下,从我角度上来做一个简单对比(其中DFA算法是在原作者基础上的一些改动之后的版本)
当前测试的电脑是MacBook Pro (Retina, 15-inch, Mid 2015),CPU性能是2.2 GHz Intel Core i7
AC算法相对复杂,所以其实现方案也比较复杂,没有拿出纸和笔的话还真的挺难读懂的。但是DFA算法就比较简单易懂了,看着代码就能大概完成整个实现逻辑的构建。所以从代码的实现以及可读性,DFA算法算是比较深得我心吧
DFA算法占优
AC算法的作者提供了诸多功能,比如支持快查询,支持临时添加单词等等,而第一种算法在我的改进后目前只支持快查询,所以这个功能层面AC算法略好,不过并不意味这DFA算法这些功能就实现不了,只是看大家需不需要了,需要的话我将会在开源库中不断完善。
AC算法占优
接下去说说算法的耗时和内存占用,下面是我使用的benchmark脚本,测试数据可以在这里看到:传送门,脚本如下:
- const { makeSensitiveMap, checkSensitiveWord } = require('../dist/help')
- const FastScanner = require('fastscan')
- const fs = require('fs')
- const path = require('path')
-
- function loadOneHundredThousandSentences() {
- const data = fs.readFileSync(path.resolve(__dirname, './sensitiveWords.txt'), 'utf8')
- const wordsArray = data.trim().split('|')
- console.log(`Now we have sensitive words length is: [${wordsArray.length}]`)
- return wordsArray
- }
-
- function loadOneHundredThousandWords() {
- const data = fs.readFileSync(path.resolve(__dirname, './beCheckedWords.txt'), 'utf8')
- const words = data.trim()
- console.log(`Now we have checking words length is: [${words.length}]`)
- return words
- }
-
- function benchmarkForDFAalgorithm() {
- const wordsArray = loadOneHundredThousandSentences()
- const before = process.memoryUsage()
- console.time('DFA algorithm load sensitive map tree')
- const wordMaps = makeSensitiveMap(wordsArray)
- console.timeEnd('DFA algorithm load sensitive map tree')
- const after = process.memoryUsage()
- console.log("DFA algorithm build tree of %d words costs rss=%dM heapTotal=%dM heapUsed=%dM", wordsArray.length, (after.rss-before.rss) >> 20, (after.heapTotal - before.heapTotal) >> 20, (after.heapUsed - before.heapUsed) >> 20)
- const toBeCheckedWords = loadOneHundredThousandWords()
- console.time('DFA algorithm check one hundred thousand words')
- checkSensitiveWord(toBeCheckedWords, false, wordMaps)
- console.timeEnd('DFA algorithm check one hundred thousand words')
-
- }
-
- function benchmarkForACalgorithm() {
- const wordsArray = loadOneHundredThousandSentences()
- const before = process.memoryUsage()
- console.time('AC algorithm load sensitive map tree')
- const scanner = new FastScanner(wordsArray)
- console.timeEnd('AC algorithm load sensitive map tree')
- const after = process.memoryUsage()
- console.log("AC algorithm build tree of %d words costs rss=%dM heapTotal=%dM heapUsed=%dM", wordsArray.length, (after.rss-before.rss) >> 20, (after.heapTotal - before.heapTotal) >> 20, (after.heapUsed - before.heapUsed) >> 20)
- const toBeCheckedWords = loadOneHundredThousandWords()
- console.time('AC algorithm check one hundred thousand words')
- scanner.search(toBeCheckedWords)
- console.timeEnd('AC algorithm check one hundred thousand words')
- }
-
- // 内存的测试需要单独跑,否则二者之间会有相互冲突的情况
- // benchmarkForDFAalgorithm()
- // benchmarkForACalgorithm()
我们直接以100000个词汇作为敏感词汇去构建,并输入100000个单词去检索,得到的测试结果如下:(内存的数据是单独函数跑的,要不因为GC问题可能测试不准确)
- Now we have sensitive words length is: [107888]
- DFA algorithm load sensitive map tree: 244.374ms
- DFA algorithm build tree of 107888 words costs rss=121M heapTotal=117M heapUsed=98M
- Now we have checking words length is: [100000]
- DFA algorithm check one hundred thousand words: 98.768ms
-
- Now we have sensitive words length is: [107888]
- AC algorithm load sensitive map tree: 1529.913ms
- AC algorithm build tree of 107888 words costs rss=174M heapTotal=161M heapUsed=136M
- Now we have checking words length is: [100000]
- AC algorithm check one hundred thousand words: 98.532ms
从上面的测试结果,AC的测试结果和原作者提供的大致一直,并且可以看出在词汇树的构建和内存占用上,DFA算法远远比AC算法好,执行搜索的时候,二者才不相上下,因此这回合DFA算法占优
DFA算法占优
最后综上所述,结论如下:
原文作者已经介绍了很多DFA算法的思路,这里就不再赘述,因为原作者将校验的函数分成了两个,容易遗漏掉第二个函数filterSensitiveWord
。所以我就想整合成一个函数,一开始想着使用递归的尾调用来实现的,伪代码实现如下:
- checkSensitiveWord(sensitiveMap: wordMap, txt: string, index: number) {
- let currentMap = sensitiveMap;
- // const matchWords = new Map()
- let wordNum = 0;//记录过滤
- let sensitiveWord = ''; //记录过滤出来的敏感词
- // 递归到结尾了,结束递归
- if (index === txt.length) {
- return
- }
- 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) {
- // 表示已到词的结尾,将该敏感词存储起来
- 存储的代码....
- // 再继续递归
- return this.checkSensitiveWord(sensitiveMap, txt, index + 1)
- }
- } else {
- return this.checkSensitiveWord(sensitiveMap, txt, index + 1)
- }
- }
- }
结果因为nodejs从版本8开始不再支持递归尾调用的优化,所以这段代码如果检查比较少的文本的话是没问题,但是文本量一旦变大,就很容易造成栈溢出了。
所以还是老老实实地使用循环遍历的方式,并增加支持快速搜索的功能,最后的代码如下
- /**
- * 检查搜寻的文本是否含有敏感词汇
- * @param txt 需要查找敏感词的文本
- * @param sensitiveWordsMap 敏感词汇的Map结构,允许自定义,如果自定义需要使用上面的函数makeSensitiveMap去生成
- * @param isQuickSearch 是否需要快速查询,如果是的话查找到值是返回true,反之是false
- */
- export function checkSensitiveWord(
- txt: string,
- isQuickSearch = false,
- sensitiveWordsMap?: wordMap) {
- const defaultMap = () => {
- const data = fs.readFileSync(path.resolve(__dirname, '../utils/sensitiveWords.txt'), 'utf8')
- const wordsArray = data.trim().split('|')
- return makeSensitiveMap(wordsArray)
- }
- const _sensitiveWordsMap = sensitiveWordsMap ? sensitiveWordsMap : defaultMap()
- const matchWords = new Map()
- for (let i = 0; i < txt.length; i++) {
- let currentMap = _sensitiveWordsMap;
- let sensitiveWord = ''; //记录过滤出来的敏感词
- for (let j = i; j < txt.length; j++) {
- const word = txt.charAt(j);
- currentMap = currentMap.get(word);
- if (currentMap) {
- sensitiveWord += word;
- if (currentMap.get('isEnd') === true) {
- // 如果是快速查找,不关心敏感词的搜索结果,找到一个即返回,适用于正常的输入检测
- if (isQuickSearch) {
- return true
- }
- // 表示已到词的结尾
- const isExist = matchWords.get(sensitiveWord)
- if (isExist) {
- isExist.push({ location: i })
- matchWords.set(sensitiveWord, isExist)
- } else {
- matchWords.set(sensitiveWord, [{ location: i }])
- }
- break
- }
- } else {
- break;
- }
- }
- }
- // 到这一步如果是快速查询还没有返回,说明没有找到敏感词
- if (isQuickSearch) {
- return false
- }
- return matchWords
- }
完整的实例请参考: awesome-js
眼尖的童鞋发现了,这些函数不仅仅是直接粘贴复制使用,而是隶属于这个工具库awesome-js,是的,这就是要给大家安利的开源工具库,该工具库包含了很多我在平时业务开发中用到的一些公共函数,目前分为四大块:数学工具、正则表达式工具、辅助工具以及http处理工具。
- npm install awesome-js --save
-
- yarn add awesome-js
使用import { AwesomeHelp } from 'awesome-js'
即可正常使用
得益于ts的类型定义,我们去翻一翻types文件就行了,为了让大家省事,贴在这里也无妨~
- export interface Deferred {
- resolve: (value?: any) => any
- reject: (reason?: any) => void
- promise: Promise<any>
- }
-
- type wordMap = Map<string, recursiveMap | boolean>
-
- interface recursiveMap extends wordMap {}
-
- export namespace AwesomeRegx {
- /**
- * @description 匹配手机号码
- */
- export const phoneNumber: RegExp;
- /**
- * @description 匹配Emoji字符
- */
- export const isEmoji: RegExp;
- /**
- * @description 隐私手机号,会将手机号的中间四位数替换成*
- */
- export const privacyMobile: (mobile: string) => string;
- /**
- * @description 姓名脱敏,将除第一个字之外的非空字符替换为*
- */
- export const privacyName: (name: string) => string;
- /**
- * @description 匹配中文字符和全角字符
- */
- export const chineseAndfullWidthChar: RegExp;
- /**
- * @description 匹配image标签里面的src属性,常用于将src的http去掉
- */
- export const imgSrc: RegExp;
- /**
- * @description 简单的匹配身份证号
- */
- export const simpleIdentityNo: RegExp;
- /**
- * @description 匹配中文名字
- */
- export const chineseName: RegExp;
- /**
- * @description 匹配正整数
- */
- export const positiveInteger: RegExp;
- /**
- * @description 匹配整数
- */
- export const integer: RegExp;
- /**
- * @description 匹配负整数
- */
- export const negativeInteger: RegExp;
- /**
- * @description 匹配非负整数
- */
- export const nonnegativeInteger: RegExp;
- /**
- * @description 匹配非正整数
- */
- export const nonPostiveInterger: RegExp;
- /**
- * @description 匹配正浮点数
- */
- export const postiveFloat: RegExp;
- /**
- * @description 匹配负浮点数
- */
- export const negativeFloat: RegExp;
- /**
- * @description 匹配浮点数
- */
- export const float: RegExp;
- /**
- * @description 匹配非负浮点数
- */
- export const nonNegativeFloat: RegExp;
- /**
- * @description 匹配非正浮点数
- */
- export const nonPositiveFloat: RegExp;
- /**
- * @description 匹配英文26个字母
- */
- export const alphabat: RegExp;
- /**
- * @description 匹配大写的英文字母
- */
- export const upperAlpha: RegExp;
- /**
- * @description 匹配小写的英文字母
- */
- export const lowerAlpha: RegExp;
- /**
- * @description 匹配英文字母和数字加下划线
- */
- export const alphaNumWithUnderline: RegExp;
- /**
- * @description 匹配双字节字符
- */
- export const DBC: RegExp;
- /**
- * @description 匹配空行
- */
- export const emptyLine: RegExp;
- /**
- * @description 匹配首部或者尾部有空白字符的字符串
- */
- export const emptyCharInStartAndEnd: RegExp;
- /**
- * @description 匹配中文字符
- */
- export const chinese: RegExp;
- /**
- * @description 匹配邮箱
- */
- export const email: RegExp;
- /**
- * @description 匹配url
- */
- export const url: RegExp;
- /**
- * @description 匹配ip地址
- */
- export const ip: RegExp;
- /**
- * @description 匹配电话座机
- */
- export const telPhone: RegExp;
- /**
- * @description 匹配邮政编码
- */
- export const postalCode: RegExp;
- }
- export namespace AwesomeHelp {
- /**
- * @description 根据对象的某些字段的值对数组对象进行分类
- * @param list 需要分类的数组对象(必须是一个数组)
- * @param fields 需要分类的字段(必须传递一个函数, 支持多个字段)
- */
- export function groupBySomeFields<T>(list: T[], fields: (item: T) => any[]): T[][]
- /**
- * @description 对Date的扩展,将 Date 转化为指定格式的String
- * @param date 需要转换格式的日期
- * @param format 日期转换的最后格式,比如YYYY-MM-DD
- */
- export function convertDate(date: Date, format: string): string
- /**
- * @description 浮点数相加
- */
- export function addFloat(arg1: number, arg2: number): number
- /**
- * @description 浮点数相减
- */
- export function minusFloat(arg1: number, arg2: number): number
- /**
- * @description 浮点数相除
- */
- export function divFloat(arg1: number, arg2: number): number
- /**
- * @description 浮点数相乘
- */
- export function timesFloat(arg1: number, arg2: number): number
-
- export function makeDeferred(): Deferred
-
- /**
- * @description 判断是否是生成器
- */
- export function isGenerator(obj: any): boolean
-
- /**
- * @description 判断是否是生成器函数
- */
- export function isGeneratorFunction(obj: any): boolean
-
- /**
- * @description 判断是否是Promise
- */
- export function isPromise(obj: any): boolean
- /**
- * @description 千分法计数
- */
- export function toThousands(num: number): string
-
- /**
- * 隐藏所有的数字位除了指定的某一位,比如需要转换100000的所有0为?,那么就要这样调用hiddenNumberExpectSpecified(100000, 0, '?') => 1?????
- * @param num 需要操作的数字
- * @param expected 不想被隐藏的位数,从左边最高index开始算起,默认是最高位也就是0
- * @param hiddenStr 希望隐藏的数字转换成哪个字符,默认是?
- */
- export function hiddenNumberExpectSpecified(num: number, expected: number, hiddenStr: string): string
-
- /**
- * 将所有的敏感词汇组成一个嵌套的Map结构,使用的是DFA数据结构算法
- * @param sensitiveWordList
- */
- export function makeSensitiveMap(sensitiveWordList: string[]): wordMap
-
- /**
- * 检查搜寻的文本是否含有敏感词汇
- * @param txt 需要查找敏感词的文本
- * @param sensitiveWordsMap 敏感词汇的Map结构,允许自定义,如果自定义需要使用上面的函数makeSensitiveMap去生成,如果没有传,默认使用自带的敏感词库
- * @param isQuickSearch 是否需要快速查询,默认是false,如果是的话查找到值是返回true,反之是false
- */
- export function checkSensitiveWord(
- txt: string,
- isQuickSearch?: null,
- sensitiveWordsMap?: wordMap): Map<string, { location: number}[] >
- export function checkSensitiveWord(
- txt: string,
- isQuickSearch: boolean,
- sensitiveWordsMap?: wordMap): boolean
- }
-
- export namespace AwesomeMath {
- export class Region {
- constructor(points: number[][])
- /**
- * @description 计算多边形的中间点的坐标(经纬度)
- */
- public centroid: () => { x: number, y: number}
- /**
- * @description 简单的匹配身份证号
- */
- private area: () => number
- }
- /**
- * @description 计算两点之间的直线距离
- * @param {number} lng1 起点纬度
- * @param {number} lat1 起点纬度
- * @param {number} lng2 终点纬度
- * @param {number} lat2 终点纬度
- * @returns {number} 两点之间的直线距离,单位:米
- */
- export function getDistance(lng1: number, lat1: number, lng2: number, lat2: number): number
-
- /**
- * 转换经度或者纬度为地图可识别的格式
- * @param origin
- */
- export function decodeLatLng(origin: number): number
-
- /**
- *
- * @param origin 转换经度或者纬度为整数格式
- */
- export function encodeLatLng(origin : number): number
- }
-
- export namespace AwesomeHttp {
- /**
- * @description 更新url中query请求的某个参数,可以配合replaceState去更新浏览器的历史记录
- * @param baseUrl 需要更新的url
- * @param key 需要更新的key
- * @param value 更新的新值
- */
- export function updateQueryStringParam(baseUrl: string, key: string, value: any): string
- /**
- * @description 解析queryObject后组合一起追加到path后面
- */
- export function queryObject2String(path: string, queryObject: object): string
- }
欢迎大家PR,添加更多函数,方便你我他~我也会不断更新该工具库,欢迎watch~
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。