目錄
- 簡(jiǎn)述：
- 實(shí)戰(zhàn)案例：
簡(jiǎn)述：
關(guān)于敏感詞過濾可以看成是一種文本反垃圾算法，例如
題目：敏感詞文本文件 filtered_words.txt，當(dāng)用戶輸入敏感詞語，則用 星號(hào) * 替換，例如當(dāng)用戶輸入「北京是個(gè)好城市」，則變成「**是個(gè)好城市」
代碼：
#coding=utf-8
def filterwords(x):
with open(x,'r') as f:
text=f.read()
print text.split('\n')
userinput=raw_input('myinput:')
for i in text.split('\n'):
if i in userinput:
replace_str='*'*len(i.decode('utf-8'))
word=userinput.replace(i,replace_str)
return word
print filterwords('filtered_words.txt')
再例如反黃系列：
開發(fā)敏感詞語過濾程序，提示用戶輸入評(píng)論內(nèi)容，如果用戶輸入的內(nèi)容中包含特殊的字符：
敏感詞列表 li = ["蒼老師","東京熱",”武藤蘭”,”波多野結(jié)衣”]
則將用戶輸入的內(nèi)容中的敏感詞匯替換成***，并添加到一個(gè)列表中；如果用戶輸入的內(nèi)容沒有敏感詞匯，則直接添加到上述的列表中。
content = input('請(qǐng)輸入你的內(nèi)容：')
li = ["蒼老師","東京熱","武藤蘭","波多野結(jié)衣"]
i = 0
while i 4:
for li[i] in content:
li1 = content.replace('蒼老師','***')
li2 = li1.replace('東京熱','***')
li3 = li2.replace('武藤蘭','***')
li4 = li3.replace('波多野結(jié)衣','***')
else:
pass
i += 1
實(shí)戰(zhàn)案例：
一道bat面試題：快速替換10億條標(biāo)題中的5萬個(gè)敏感詞，有哪些解決思路？
有十億個(gè)標(biāo)題，存在一個(gè)文件中，一行一個(gè)標(biāo)題。有5萬個(gè)敏感詞，存在另一個(gè)文件。寫一個(gè)程序過濾掉所有標(biāo)題中的所有敏感詞，保存到另一個(gè)文件中。
1、DFA過濾敏感詞算法
在實(shí)現(xiàn)文字過濾的算法中，DFA是比較好的實(shí)現(xiàn)算法。DFA即Deterministic Finite Automaton，也就是確定有窮自動(dòng)機(jī)。
算法核心是建立了以敏感詞為基礎(chǔ)的許多敏感詞樹。
python 實(shí)現(xiàn)DFA算法：
# -*- coding:utf-8 -*-
import time
time1=time.time()
# DFA算法
class DFAFilter():
def __init__(self):
self.keyword_chains = {}
self.delimit = '\x00'
def add(self, keyword):
keyword = keyword.lower()
chars = keyword.strip()
if not chars:
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 parse(self, path):
with open(path,encoding='utf-8') as f:
for keyword in f:
self.add(str(keyword).strip())
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)
if __name__ == "__main__":
gfw = DFAFilter()
path="F:/文本反垃圾算法/sensitive_words.txt"
gfw.parse(path)
text="新疆騷亂蘋果新品發(fā)布會(huì)雞八"
result = gfw.filter(text)
print(text)
print(result)
time2 = time.time()
print('總共耗時(shí)：' + str(time2 - time1) + 's')
運(yùn)行效果：
新疆騷亂蘋果新品發(fā)布會(huì)雞八
****蘋果新品發(fā)布會(huì)**
總共耗時(shí)：0.0010344982147216797s
2、AC自動(dòng)機(jī)過濾敏感詞算法
AC自動(dòng)機(jī)：一個(gè)常見的例子就是給出n個(gè)單詞，再給出一段包含m個(gè)字符的文章，讓你找出有多少個(gè)單詞在文章里出現(xiàn)過。
簡(jiǎn)單地講，AC自動(dòng)機(jī)就是字典樹+kmp算法+失配指針
# -*- coding:utf-8 -*-
import time
time1=time.time()
# AC自動(dòng)機(jī)算法
class node(object):
def __init__(self):
self.next = {}
self.fail = None
self.isWord = False
self.word = ""
class ac_automation(object):
def __init__(self):
self.root = node()
# 添加敏感詞函數(shù)
def addword(self, word):
temp_root = self.root
for char in word:
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 = word
# 失敗指針函數(shù)
def make_fail(self):
temp_que = []
temp_que.append(self.root)
while len(temp_que) != 0:
temp = temp_que.pop(0)
p = None
for key,value in temp.next.item():
if temp == self.root:
temp.next[key].fail = self.root
else:
p = temp.fail
while p is not None:
if key in p.next:
temp.next[key].fail = p.fail
break
p = p.fail
if p is None:
temp.next[key].fail = self.root
temp_que.append(temp.next[key])
# 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:
self.addword(str(keyword).strip())
# 敏感詞替換函數(shù)
def words_replace(self, text):
"""
:param ah: AC自動(dòng)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
if __name__ == '__main__':
ah = ac_automation()
path='F:/文本反垃圾算法/sensitive_words.txt'
ah.parse(path)
text1="新疆騷亂蘋果新品發(fā)布會(huì)雞八"
text2=ah.words_replace(text1)
print(text1)
print(text2)
time2 = time.time()
print('總共耗時(shí)：' + str(time2 - time1) + 's')
運(yùn)行結(jié)果：
新疆騷亂蘋果新品發(fā)布會(huì)雞八
****蘋果新品發(fā)布會(huì)**
總共耗時(shí)：0.0010304450988769531s
以上就是python實(shí)現(xiàn)過濾敏感詞的詳細(xì)內(nèi)容，更多關(guān)于python 過濾敏感詞的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
您可能感興趣的文章:- Python實(shí)現(xiàn)敏感詞過濾的4種方法
- python用類實(shí)現(xiàn)文章敏感詞的過濾方法示例
- 淺談Python 敏感詞過濾的實(shí)現(xiàn)
- 利用Python正則表達(dá)式過濾敏感詞的方法
- Python 實(shí)現(xiàn)王者榮耀中的敏感詞過濾示例
- python 實(shí)現(xiàn)敏感詞過濾的方法
- Python 敏感詞過濾的實(shí)現(xiàn)示例
