# 过滤敏感词

---

采用数据结构 - 前缀树：

- 名称：Trie、字典树、查找树
- 特点：查找效率高，消耗内存大
  - 前缀树的根节点为空，其余节点只包含一个字符
  - 一条路径就是一个字符串（到叶子节点）
  - 每个节点的所有子节点包含的字符串不同（也即相同的要合并）
- 应用：字符串检索、词频统计、字符串排序

![](https://gitee.com/veal98/images/raw/master/img/20210121215623.png)

![](https://gitee.com/veal98/images/raw/master/img/20210121220145.png)

敏感词过滤器：

- 定义前缀树

- 根据敏感词，初始化前缀树；

- 编写过滤敏感词的方法

### 定义前缀树

  ```java
  /**
   * 定义前缀树
   */
  private class TrieNode {
      // 关键词结束标识（叶子节点）
      private boolean isKeywordEnd = false;
      // 子节点(key:子节点字符, value:子节点类型)
      private Map<Character, TrieNode> subNodes = new HashMap<>();
  
      public boolean isKeywordEnd() {
          return isKeywordEnd;
      }
  
      public void setKeywordEnd(boolean keywordEnd) {
          isKeywordEnd = keywordEnd;
      }
  
      // 添加子节点
      public void addSubNode(Character c, TrieNode node) {
          subNodes.put(c, node);
      }
  
      // 获取子节点
      public TrieNode getSubNode(Character c) {
          return subNodes.get(c);
      }
  }
  ```

  

### 根据敏感词，初始化前缀树；

  ` @PostConstruct ` 在容器实例化这个类（容器在启动的时候就会实例化），并调用这个类的构造器之后（由用户调用构造器），该注解标注的方法就会被自动调用

  ```java
  @Component
  public class SensitiveFilter {
  
      private static final Logger logger = LoggerFactory.getLogger(SensitiveFilter.class);
  
      // 将敏感词替换成 ***
      private static final String REPLACEMENT = "***";
  
      // 根节点
      private TrieNode rootNode = new TrieNode();
      
  	/**
       * 初始化前缀树
       */
      @PostConstruct // 初始化方法
      public void init() {
          try (
              InputStream is = this.getClass().getClassLoader().getResourceAsStream("sensitive-words.txt");
              BufferedReader reader = new BufferedReader(new InputStreamReader(is));
          ) {
              String keyword;
              while ((keyword = reader.readLine()) != null) {
                  // 添加到前缀树
                  this.addKeyword(keyword);
              }
          } catch (IOException e) {
              logger.error("加载敏感词文件失败" + e.getMessage());
          }
  
  
      }
  
      /**
       * 将一个敏感词添加进前缀树中
       * @param keyword
       */
      private void addKeyword(String keyword) {
          TrieNode tempNode = rootNode;
          for (int i = 0; i < keyword.length(); i ++) {
              char c = keyword.charAt(i);
              TrieNode subNode = tempNode.getSubNode(c);// 首先判断是否存在相同子节点
  
              if (subNode == null) {
                  subNode = new TrieNode(); // 初始化子节点
                  tempNode.addSubNode(c, subNode); // 添加子节点
              }
  
              // 指向子节点，进入下一层循环
              tempNode = subNode;
  
              // 设置结束标识（叶子节点），表示这个字符是该敏感词的最后一个字符
              if (i == keyword.length() - 1) {
                  tempNode.setKeywordEnd(true);
              }
          }
      }
      
  }
  ```

  

  ### 编写过滤敏感词的方法

  ```java
  	/**
       * 过滤敏感词
       * @param text 待过滤的文本
       * @return 过滤后的文本（即用 *** 替代敏感词）
       */
      public String filter(String text) {
          if (StringUtils.isBlank(text)) {
              return null;
          }
  
          // 指针 1：前缀树的工作指针
          TrieNode tempNode = rootNode;
          // 指针 2：指向文本中某个敏感词的第一位
          int begin = 0;
          // 指针 3；指向文本中某个敏感词的最后一位
          int end = 0;
  
          // 记录过滤后的文本（结果）
          StringBuilder sb = new StringBuilder();
  
          while (end < text.length()) {
              char c = text.charAt(end);
              // 跳过符号（防止敏感词混合符号，比如 ☆赌☆博）
              if (isSymbol(c)) {
                  // 若指针 1 处于根节点，则将此符号计入结果（直接忽略），让指针 2 向下走一步
                  if (tempNode == rootNode) {
                      sb.append(c);
                      begin ++;
                  }
                  // 无论符号在开头还是在中间，指针 3 都会向下走一步
                  end ++;
                  continue;
              }
  
              // 检查子节点
              tempNode = tempNode.getSubNode(c);
              if (tempNode == null) {
                  // 以指针 begin 开头的字符串不是敏感词
                  sb.append(text.charAt(begin));
                  // 进入下一位的判断
                  begin ++;
                  end = begin;
                  // 指针 1 重新指向根节点
                  tempNode = rootNode;
              }
              else if (tempNode.isKeywordEnd()) {
                  // 发现敏感词，将 begin~end 的字符串替换掉
                  sb.append(REPLACEMENT);
                  // 进入下一位的判断
                  end ++;
                  begin = end;
                  // 指针 1 重新指向根节点
                  tempNode = rootNode;
              }
              else {
                  // 检查下一个字符
                  end ++;
              }
          }
  
          // 将最后一批字符计入结果（如果最后一次循环的字符串不是敏感词，上述的循环逻辑不会将其加入最终结果）
          sb.append(text.substring(begin));
  
          return sb.toString();
      }
  
      // 判断某个字符是否是符号
      private boolean isSymbol(Character c) {
          // 0x2E80~0x9FFF 是东亚文字范围
          return !CharUtils.isAsciiAlphanumeric(c) && (c < 0x2E80 || c > 0x9FFF);
      }
  ```