浅析敏感词过滤算法(C++)

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)

 #include<map>

 #include<string>

 //#include<unordered_map>

 using namespace std;

 class Tree;

 class TreeNode

 {

     friend class Tree;

     typedef map<string,TreeNode> _TreeMap;

     typedef map<string,TreeNode>::iterator _TreeMapIterator;

 //     typedef unordered_map<string,TreeNode> _TreeMap;

 //     typedef unordered_map<string,TreeNode>::iterator _TreeMapIterator;

 private:

     string m_character;

     _TreeMap m_map;

     TreeNode* m_parent;

 public:

     TreeNode(string character);

     TreeNode(){

         m_character="";

     };

     string getCharacter() const;

     TreeNode* findChild(string& nextCharacter);

     TreeNode* insertChild(string& nextCharacter);

 };

TreeNode.h

#include <iostream>

#include "TreeNode.h"

using namespace std;

string TreeNode::getCharacter() const

{

    return m_character;

}

TreeNode::TreeNode(string character)

{

    if (character.size() == )

        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。

 #include "TreeNode.h"

 using namespace std;

 class Tree

 {

 public:

     int count;    //当前查找的一个敏感词的字数

     TreeNode* insert(string& keyword);

     TreeNode* insert(const char* keyword);

     TreeNode* find(string& keyword);

     Tree(){

         count = ;

     };

 private:

     TreeNode m_emptyRoot;

     int m_pace;

     TreeNode* insert(TreeNode* parent, string& keyword);

     TreeNode* insertBranch(TreeNode* parent, string& keyword);

     TreeNode* find(TreeNode* parent,string& keyword);

 };

Tree.h

 #include "Tree.h"

 #include<iostream>

 #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

 TreeNode* Tree::insert(string& keyword)

 {

     return insert(&m_emptyRoot, keyword);

 }

 TreeNode* Tree::insert(const char* keyword)

 {

     string wordstr(keyword);

     return insert(wordstr);

 }

 TreeNode* Tree::insert(TreeNode* parent, string& keyword)

 {

     if(keyword.size()==)

         return NULL;

     string firstChar=keyword.substr(,PACE);

     TreeNode* firstNode = parent->findChild(firstChar);

     if(firstNode==NULL)

         return insertBranch(parent,keyword);

     string restChar=keyword.substr(PACE,keyword.size());

     return insert(firstNode,restChar);

 }

 TreeNode* Tree::insertBranch(TreeNode* parent,string& keyword)

 {

     string firstChar=keyword.substr(,PACE);

     TreeNode* firstNode = parent->insertChild(firstChar);

     if(firstNode!=NULL)

     {

         string restChar=keyword.substr(PACE,keyword.size());

         if(!restChar.empty())

             return insertBranch(firstNode,restChar);

     }

     return NULL;

 }

 TreeNode* Tree::find(string& keyword)

 {

     return find(&m_emptyRoot,keyword);

 }

 TreeNode* Tree::find(TreeNode* parent,string& keyword)

 {

     string firstChar=keyword.substr(,PACE);

     TreeNode* firstNode = parent->findChild(firstChar);

     if(firstNode==NULL)            //未找到

     {

         count=;

         return NULL;

     }

     string restChar=keyword.substr(PACE,keyword.size());

     if(firstNode->m_map.empty())        //对应词组结束，则判断该词为敏感词

     {

         //std::cout<<count+1<<endl;

         return firstNode;

     }

     if(keyword.size()==PACE)    //最后一个字

         return NULL;

     count++;

     return find(firstNode,restChar);

 }

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。

 #include <string>

 #include "Tree.h"

 class Filter

 {

 private:

     Tree m_tree;

 public:

     void load(const char* fileName);

     bool m_initialized;

     void censor(string& source);

 };

Filter.h

 #include <iostream>

 #include <fstream>

 #include "Filter.h"

 void Filter::load(const char* filePath)

 {

     ifstream keywordsFile(filePath, ios::in);

     if (keywordsFile.is_open())

     {

         char buffer[];

         int count = ;

         int offset = ;

         while((buffer[offset]=keywordsFile.get())!=EOF)

         {

             if((buffer[offset]>='a'&&buffer[offset]<='z')||

                 (buffer[offset]>='A'&&buffer[offset]<='Z')||

                 (buffer[offset]>=''&&buffer[offset]<='')||

                 buffer[offset]=='\'')

                 continue;

             string word1;

             word1.assign(buffer,offset);

             if(buffer[offset]==','&&(offset%)==)

             {

                 string word;

                 if(offset)

                 {

                     word.assign(buffer,offset);

                     m_tree.insert(word);

                 }

                 offset = ;

             }

             else

                 offset++;

         }

     }

     keywordsFile.close();

     m_initialized = true;

 }

 void Filter::censor(string& source)

 {

     if (!m_initialized)

     {

         cout<<"没有载入关键词";

         return;

     }

     else

     {

         int length = source.size();

         for (int i = ; i < length; i += )

         {

             string substring = source.substr(i, length - i);

             if (m_tree.find(substring) != NULL)    //发现敏感词

             {

                 cout<<substring.substr(,(m_tree.count+)*)<<endl;

                 source.replace(i,(m_tree.count+)*,"**");

                 length = source.size();

             }

         }

     }

 }

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。

 #include<iostream>

 #include<string>

 #include<list>

 #include <fstream>

 #include "Filter.h"

 #include <sys/timeb.h>

 using namespace std;

 void main()

 {

     Filter filter;

     string str;

     filter.load("keywords.txt");

     ifstream inputFile("input.txt",ios::in);

     inputFile>>str;

     inputFile.close();

     ofstream outputFile("output.txt",ios::out);

     struct timeb startTime,endTime;

     ftime(&startTime);

     for(int i=;i<;i++)

     {

         filter.censor(str);

     }

     ftime(&endTime);

     cout<<str<<endl;

     cout<<"查询用时："<<(endTime.time-startTime.time)* +

         (endTime.millitm - startTime.millitm)<<"ms"<<endl;

     outputFile<<str<<endl;

     outputFile<<"查询用时："<<(endTime.time-startTime.time)* +

         (endTime.millitm - startTime.millitm)<<"ms";

     outputFile.close();

 }

Process.cpp

巴特西

浅析敏感词过滤算法(C++)

最新文章

热门文章