欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

js实现敏感词过滤算法及实现逻辑

程序员文章站 2023-08-11 22:08:27
最近弄了一个用户发表评论的功能,用户上传了评论,再文章下可以看到自己的评论,但作为*接班人,践行*核心价值观,所以给评论敏感词过滤的功能不可少,在网上找了资料,...

最近弄了一个用户发表评论的功能,用户上传了评论,再文章下可以看到自己的评论,但作为*接班人,践行*核心价值观,所以给评论敏感词过滤的功能不可少,在网上找了资料,发现已经有非常成熟的解决方案。 常用的方案用这么两种

1.全文搜索,逐个匹配。这种听起来就不够高大上,在数据量大的情况下,会有效率问题,文末有比较

2.dfa算法-确定有限状态自动机 附上百科链接确定有限状态自动机

dfa算法介绍

dfa是一种计算模型,数据源是一个有限个集合,通过当前状态和事件来确定下一个状态,即 状态+事件=下一状态,由此逐步构建一个有向图,其中的节点就是状态,所以在dfa算法中只有查找和判断,没有复杂的计算,从而提高算法效率

参考文章 java实现敏感词过滤

实现逻辑

构造数据结构

将敏感词转换成树结构,举例敏感词有着这么几个 ['日本鬼子','日本人','日本男人'] ,那么数据结构如下(图片引用参考文章)

js实现敏感词过滤算法及实现逻辑 

每个文字是一个节点,连续的节点组成一个词, 日本人 对应的就是中间的那条链,我们可以使用对象或者map来构建树,这里的栗子采用 map 构建节点,每个节点中有个状态标识,用来表示当前节点是不是最后一个,每条链路必须要有个终点节点,先来看下构建节点的流程图

js实现敏感词过滤算法及实现逻辑 

判断逻辑

先从文本的第一个字开始检查,比如 你我是日本鬼子 ,第一个字 你 ,在树的第一层找不到这个节点,那么继续找第二个字,到了 日 的时候,第一层节点找到了,那么接着下一层节点中查找 本 ,同时判断这个节点是不是结尾节点,若是结尾节点,则匹配成功了,反之继续匹配

代码实现

####构造数据结构

/**
* @description
* 构造敏感词map
* @private
* @returns
*/
private makesensitivemap(sensitivewordlist) {
 // 构造根节点
 const result = new map();
 for (const word of sensitivewordlist) {
  let map = result;
  for (let i = 0; i < word.length; i++) {
   // 依次获取字
   const char = word.charat(i);
   // 判断是否存在
   if (map.get(char)) {
    // 获取下一层节点
    map = map.get(char);
   } else {
    // 将当前节点设置为非结尾节点
    if (map.get('laster') === true) {
     map.set('laster', false);
    }
    const item = new map();
    // 新增节点默认为结尾节点
    item.set('laster', true);
    map.set(char, item);
    map = map.get(char);
   }
  }

 }
 return result;
}

最终map结构如下

js实现敏感词过滤算法及实现逻辑 

查找敏感词

/**
* @description
* 检查敏感词是否存在
* @private
* @param {any} txt
* @param {any} index
* @returns
*/
private checksensitiveword(sensitivemap, txt, index) {
 let currentmap = sensitivemap;
 let flag = false;
 let wordnum = 0;//记录过滤
 let sensitiveword = ''; //记录过滤出来的敏感词
 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
    flag = true;
    break;
   }
  } else {
   break;
  }
 }
 // 两字成词
 if (wordnum < 2) {
  flag = false;
 }
 return { flag, sensitiveword };
}
/**
* @description
* 判断文本中是否存在敏感词
* @param {any} txt
* @returns
*/
public filtersensitiveword(txt, sensitivemap) {
 let matchresult = { flag: false, sensitiveword: '' };
 // 过滤掉除了中文、英文、数字之外的
 const txttrim = txt.replace(/[^\u4e00-\u9fa5\u0030-\u0039\u0061-\u007a\u0041-\u005a]+/g, '');
 for (let i = 0; i < txttrim.length; i++) {
  matchresult = checksensitiveword(sensitivemap, txttrim, i);
  if (matchresult.flag) {
   console.log(`sensitiveword:${matchresult.sensitiveword}`);
   break;
  }
 }
 return matchresult;
}

效率

为了看出dfa的效率,我做了个简单的小测试,测试的文本长度为5095个汉字,敏感词词库中有2000个敏感词,比较的算法分别为 dfa算法 和 string原生对象提供的 indexof api做比较

// 简单的字符串匹配-indexof
ensitivewords.foreach((word) => {
 if (ss.indexof(word) !== -1) {
  console.log(word)
 }
})

分别将两个算法执行100次,得到如下结果

js实现敏感词过滤算法及实现逻辑 

可直观看出, dfa 的平均耗时是在1ms左右,最大为5ms; indexof 方式的平均耗时在9ms左右,最大为14ms,所以dfa效率上还是非常明显有优势的。

总结

以上所述是小编给大家介绍的js实现敏感词过滤算法及实现逻辑,希望对大家有所帮助