浅析敏感词过滤算法(C++)

时间：2014-08-01 13:31:41 阅读：486 评论：0 收藏：0 [点我收藏+]

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TreeNode。

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。为了提高map的插入及查询效率，可以选用hash_map或unordered_map。关于他们的效率，可以参考http://blog.csdn.net/whizchen/article/details/9286557。

下面主要实现了TreeNode类，进行节点的插入以及查询。(这里命名用Trie比较专业)

 1 #include<map>
 2 #include<string>
 3 //#include<unordered_map>  
 4 using namespace std;
 5 
 6 
 7 class Tree;
 8 class TreeNode
 9 {
10     friend class Tree;
11     typedef map<string,TreeNode> _TreeMap;
12     typedef map<string,TreeNode>::iterator _TreeMapIterator;
13 //     typedef unordered_map<string,TreeNode> _TreeMap;
14 //     typedef unordered_map<string,TreeNode>::iterator _TreeMapIterator;
15 private:
16     string m_character;
17     _TreeMap m_map;
18     TreeNode* m_parent;
19 public:
20     TreeNode(string character);
21     TreeNode(){
22         m_character="";
23     };
24     string getCharacter() const;
25     TreeNode* findChild(string& nextCharacter);
26     TreeNode* insertChild(string& nextCharacter);
27     
28 };

TreeNode.h

#include <iostream>
#include "TreeNode.h"
using namespace std;

string TreeNode::getCharacter() const 
{
    return m_character;
}

TreeNode::TreeNode(string character)
{
    if (character.size() == 2)
        m_character.assign(character);
    else 
        cout<<"error";
}

TreeNode* TreeNode::findChild(string& nextCharacter)
{
    _TreeMapIterator TreeMapIt = m_map.find(nextCharacter);    //利用map/unordered_map进行查找
    return (TreeMapIt == m_map.end()) ? NULL :&TreeMapIt->second;
    return NULL;
}

TreeNode* TreeNode::insertChild(string& nextCharacter)
{
    if(!findChild(nextCharacter))    //添加节点，并返回节点位置
    {
        m_map.insert(pair<string, TreeNode>(nextCharacter, TreeNode(nextCharacter)));
        return &(m_map.find(nextCharacter)->second);
    }
     return NULL;
}

TreeNode.cpp

接下来实现这个tree，在建立TreeNode树时，以parent为根节点建立，一开始parent为m_emptyRoot,然后把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‘。

程序中暂时考虑中文的情况，如果需要考虑英文或中英文结合的情况，将PACE改为1，另外程序做出部分修改即可。

下面代码实现了Tree类，进行树的构成及查询。

 1 #include "TreeNode.h"
 2 using namespace std;
 3 
 4 class Tree
 5 {
 6 public:
 7     int count;    //当前查找的一个敏感词的字数
 8     TreeNode* insert(string& keyword);
 9     TreeNode* insert(const char* keyword);
10     TreeNode* find(string& keyword);
11     Tree(){
12         count = 0;
13     };
14 private:
15     TreeNode m_emptyRoot;
16     int m_pace;
17     TreeNode* insert(TreeNode* parent, string& keyword);
18     TreeNode* insertBranch(TreeNode* parent, string& keyword);
19     TreeNode* find(TreeNode* parent,string& keyword);
20 
21 };

Tree.h

 1 #include "Tree.h"
 2 #include<iostream>
 3 
 4 #define PACE 2    //如果需要考虑英文或中英文结合的情况，将PACE改为1，另外程序还需要做部分修改
 5 
 6 TreeNode* Tree::insert(string& keyword) 
 7 {
 8     return insert(&m_emptyRoot, keyword);
 9 }
10 
11 TreeNode* Tree::insert(const char* keyword)
12 {
13     string wordstr(keyword);
14     return insert(wordstr);
15 }
16 
17 
18 TreeNode* Tree::insert(TreeNode* parent, string& keyword)
19 {
20     if(keyword.size()==0)
21         return NULL;
22     string firstChar=keyword.substr(0,PACE);
23     TreeNode* firstNode = parent->findChild(firstChar);
24     if(firstNode==NULL)
25         return insertBranch(parent,keyword);
26     string restChar=keyword.substr(PACE,keyword.size());
27     return insert(firstNode,restChar);
28 }
29 
30 TreeNode* Tree::insertBranch(TreeNode* parent,string& keyword)
31 {
32     string firstChar=keyword.substr(0,PACE);
33     TreeNode* firstNode = parent->insertChild(firstChar);
34     if(firstNode!=NULL)
35     {
36         string restChar=keyword.substr(PACE,keyword.size());
37         if(!restChar.empty())
38             return insertBranch(firstNode,restChar);
39     }
40     return NULL;
41 }
42 
43 TreeNode* Tree::find(string& keyword)
44 {
45     return find(&m_emptyRoot,keyword);
46 }
47 
48 
49 TreeNode* Tree::find(TreeNode* parent,string& keyword)
50 {
51     string firstChar=keyword.substr(0,PACE);
52     TreeNode* firstNode = parent->findChild(firstChar);
53     if(firstNode==NULL)            //未找到
54     {
55         count=0;
56         return NULL;        
57     }
58     string restChar=keyword.substr(PACE,keyword.size());
59     if(firstNode->m_map.empty())        //对应词组结束，则判断该词为敏感词
60     {
61         //std::cout<<count+1<<endl;
62         return firstNode;
63     }
64     if(keyword.size()==PACE)    //最后一个字
65         return NULL;
66     count++;
67     return find(firstNode,restChar);
68 }

Tree.cpp

最后就是利用上述的Tree来实现敏感词过滤，Filter::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"**"代替掉。

Filter::load(const char* filePath)函数通过文件载入敏感词，并构建Tree。

为使实现简单，代码中过滤了英文数字及一些符号，让敏感词库的词能全部被识别。这里有2个问题遗留下来：

1.需要考虑英文，已经中英文结合的敏感词。程序还需要作出一定修改；

2.载入文件后，可对敏感词做出一定优化。

下面代码实现了Filter类，调用函数实现敏感词过滤。

 1 #include <string>
 2 #include "Tree.h"
 3 
 4 class Filter
 5 {
 6 private:
 7     Tree m_tree;
 8     
 9 public:
10     void load(const char* fileName);
11     bool m_initialized;
12     void censor(string& source);
13 };

Filter.h

 1 #include <iostream>
 2 #include <fstream>
 3 #include "Filter.h"
 4 
 5 void Filter::load(const char* filePath)
 6 {
 7     ifstream keywordsFile(filePath, ios::in);
 8     if (keywordsFile.is_open())
 9     {
10         char buffer[256];
11         int count = 0;
12         int offset = 0;
13         while((buffer[offset]=keywordsFile.get())!=EOF)
14         {
15             if((buffer[offset]>=‘a‘&&buffer[offset]<=‘z‘)||
16                 (buffer[offset]>=‘A‘&&buffer[offset]<=‘Z‘)||
17                 (buffer[offset]>=‘0‘&&buffer[offset]<=‘9‘)||
18                 buffer[offset]==‘\‘‘)
19                 continue;            
20             string word1;
21             word1.assign(buffer,offset);
22             if(buffer[offset]==‘,‘&&(offset%2)==0)
23             {
24                 string word;
25                 if(offset)
26                 {
27                     word.assign(buffer,offset);
28                     m_tree.insert(word);
29                 }
30                 offset = 0;
31             }
32             else
33                 offset++;
34         }
35     }
36     keywordsFile.close();
37     m_initialized = true;
38 }
39 
40 
41 void Filter::censor(string& source)
42 {
43     if (!m_initialized)
44     {
45         cout<<"没有载入关键词";
46         return;
47     }
48     else
49     {
50         int length = source.size();
51         for (int i = 0; i < length; i += 2)
52         {
53             string substring = source.substr(i, length - i);
54             if (m_tree.find(substring) != NULL)    //发现敏感词
55             {
56                 cout<<substring.substr(0,(m_tree.count+1)*2)<<endl;
57                 source.replace(i,(m_tree.count+1)*2,"**");
58                 length = source.size();
59             }
60         }
61     }
62 }

Filter.cpp

最后就是调用Filter类，通过文件输入，并将过滤的结果输出到文件，并输出用时。

 1 #include<iostream>
 2 #include<string>
 3 #include<list>
 4 #include <fstream>
 5 #include "Filter.h"
 6 #include <sys/timeb.h>
 7 using namespace std;
 8 
 9 void main()
10 {
11     Filter filter;
12     string str;
13     filter.load("keywords.txt");
14     ifstream inputFile("input.txt",ios::in);
15     inputFile>>str;
16     inputFile.close();
17     ofstream outputFile("output.txt",ios::out);
18     struct timeb startTime,endTime;
19     ftime(&startTime);
20     for(int i=0;i<1000;i++)
21     {
22         filter.censor(str);
23     }
24     ftime(&endTime);
25     cout<<str<<endl;
26     cout<<"查询用时："<<(endTime.time-startTime.time)*1000 +
27         (endTime.millitm - startTime.millitm)<<"ms"<<endl;
28     outputFile<<str<<endl;
29     outputFile<<"查询用时："<<(endTime.time-startTime.time)*1000 + 
30         (endTime.millitm - startTime.millitm)<<"ms";
31     outputFile.close();
32 }

Process.cpp

浅析敏感词过滤算法(C++),布布扣,bubuko.com

浅析敏感词过滤算法(C++)

标签：style blog http color os io 文件 for

原文地址：http://www.cnblogs.com/lvrcbl/p/3884707.html

踩

(0)

评论一句话评论（0）

分享档案

更多>

2021年07月29日 (22)
2021年07月28日 (40)
2021年07月27日 (32)
2021年07月26日 (79)
2021年07月23日 (29)
2021年07月22日 (30)
2021年07月21日 (42)
2021年07月20日 (16)
2021年07月19日 (90)
2021年07月16日 (35)

周排行