这几天在没事的时候在打王者的时候，有时候前期上单老送人头、中路不守塔、下路射手辅助常被抓、我方打野只刷野等开始逆风的时候，队友之间就开始互喷。最近在刷Dou音的时候，发现有这些互喷视频。反正敏感词都变成了***的样子，所以就研究一下敏感词的过滤方法有哪些。
上单：打野是**吗,都残血了也不来抓 打野：法师是脑子有**,能不能守好线 射手：辅助是**,不出辅助装还老卖我 法师：上路下路都是**吗,能不能别送 辅助：**,都是**,出去举报你们这帮**使用循环来直接对语句进行敏感词过滤，如果语句长度以及含有敏感词少的话效果还可以，多的时候工作效率就不行了。
其核心思路和上面类似，在python中通过使用re库的sub函数就可以直接实现替换。
# 方案一：正则 import re def check_filter(keywords, text): return re.sub('暴力|色情|敏感词','**',text) keywords = ('暴力','色情','敏感词') text = '这句话不包含暴力，也没有色情，更没有其他敏感词' print(check_filter(keywords, text))DFA的全名是 Deterministic Finite Automaton，翻译成中文就是“确定有穷自动机”。它的基本思想是基于状态转移来检索敏感词，只需要扫描一次待检测文本，就能对所有敏感词进行检测，所以效率比方法1高不少。
假设我们有以下5个敏感词需要检测：傻逼、傻子、傻大个、坏蛋、坏人。那么我们可以先把敏感词中有相同前缀的词组合成一个树形结构，不同前缀的词分属不同树形分支，以上述5个敏感词为例，可以初始化成如下2棵树：
把敏感词组成成树形结构有什么好处呢？最大的好处就是可以减少检索次数，我们只需要遍历一次待检测文本，然后在敏感词库中检索出有没有该字符对应的子树就行了，如果没有相应的子树，说明当前检测的字符不在敏感词库中，则直接跳过继续检测下一个字符；如果有相应的子树，则接着检查下一个字符是不是前一个字符对应的子树的子节点，这样迭代下去，就能找出待检测文本中是否包含敏感词了。
我们以文本“你是不是傻逼”为例，我们依次检测每个字符，因为前4个字符都不在敏感词库里，找不到相应的子树，所以直接跳过。当检测到“傻”字时，发现敏感词库中有相应的子树，我们把他记为tree-1，接着再搜索下一个字符“逼”是不是子树tree-1的子节点，发现恰好是，接下来再判断“逼”这个字符是不是叶子节点，如果是，则说明匹配到了一个敏感词了，在这里“逼”这个字符刚好是tree-1的叶子节点，所以成功检索到了敏感词：“傻逼”。大家发现了没有，在我们的搜索过程中，我们只需要扫描一次被检测文本就行了，而且对于被检测文本中不存在的敏感词，如这个例子中的“坏蛋”和“坏人”，我们完全不会扫描到，因此相比方案一效率大大提升了。
在python中，我们可以用dict来存储上述的树形结构，还是以上述敏感词为例，我们把每个敏感词字符串拆散成字符，再存储到dict中，可以这样存：
{ '傻': { '逼': { '\x00': 0 }, '子': { '\x00': 0 }, '大': { '个': { '\x00': 0 } } }, '坏': { '蛋': { '\x00': 0 }, '人': { '\x00': 0} } }首先将每个词的第一个字符作为key，value则是另一个dict，value对应的dict的key为第二个字符，如果还有第三个字符，则存储到以第二个字符为key的value中，当然这个value还是一个dict，以此类推下去，直到最后一个字符，当然最后一个字符对应的value也是dict，只不过这个dict只需要存储一个结束标志就行了，像上述的例子中，我们就存了一个{'\x00': 0}的dict，来表示这个value对应的key是敏感词的最后一个字符。
同理，“坏人”和“坏蛋”这2个敏感词也是按这样的方式存储起来，这里就不罗列出来了。用dict存储有什么好处呢？我们知道dict在理想情况下可以以O(1)的时间复杂度进行查询，所以我们在遍历待检测字符串的过程中，可以以O(1)的时间复杂度检索出当前字符是否在敏感词库中，效率比方案一提升太多了。
#方案二：确定有限状态自动机 import time time1 = time.time() # DFA算法 class DFAFilter(object): def __init__(self): self.keyword_chains = {} # 关键词链表 self.delimit = '\x00' # 限定 def add(self, keyword): keyword = keyword.lower() # 字母变小写 chars = keyword.strip() # 去除首尾空格换行 # 关键字为空直接返回 if not chars: return level = self.keyword_chains # 遍历关键字的每个字 for i in range(len(chars)): # 如果这个字已经存在字符链的key中就进入其子字典 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()) print('字典-->',self.keyword_chains) 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 = 'sensitive_words.txt' gfw.parse(path) text = '你真是个大傻逼，大傻子，傻大个，大坏蛋，坏人。' result = gfw.filter(text) print(text, '\n', result) print('耗时：' + str(time.time()-time1) + 's') sensitive_words.txt的内容如下： 傻逼 傻子 傻大个 坏蛋 坏人AC自动机：一个常见的例子就是给出n个单词，再给出一段包含m个字符的文章，让你找出有多少个单词在文章里出现过。简单地讲，AC自动机就是字典树+kmp算法+失配指针。
# 方案三：AC自动机 import time time1 = time.time() # ACA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() # 添加敏感词 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 # 失败指针 def make_fail(self): temp_que = [] temp_que.append(self.root) while len(tem_que) != 0: temp = tem_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]) # 查找敏感词 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 # 加载敏感词库 def parse(self, path): with open(path,encoding='utf-8') as f: for keyword in f: self.addword(str(keyword).strip()) # 敏感词替换 def words_replace(self, text): 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 = 'sensitive_words.txt' ah.parse(path) text1 = '米国的苹果新品发布被骚乱，真雞儿烦' text2 = ah.words_replace(text1) print(text1,'\n',text2) print('总共耗时：' + str(time.time() - time1) + 's') sensitive_words.txt内容如下： 米国 骚乱 雞儿欢迎关注WX公众号《拇指编程》
发个敏感词库的资源：https://gitee.com/mjTree/MyPython/tree/master/敏感词过滤
红狼
红狼?：是一种生存在北美洲的犬科动物，毛皮粗短，上体的颜色主要是肉桂红色和黄褐色，灰色或黑色组成的混合色彩，背部则是黑色，吻和四肢黄褐色，尾巴尖黑色，眼睛很亮。以松鸡，浣熊，兔子，老鼠，腐肉和家畜中的动物为主要食物，也会吃腐肉。
它分布于美国东南部，其祖先是灰狼和郊狼的杂交种。由于数目稀少，红狼常找不到同类繁殖，而与北美大草原的灰狼交配，令纯种红狼的数量下降。1980年在野外灭绝，1989年《美国鱼类和野生动物局》将驯养的狼引入北卡罗来纳州野外放养，至2002年已繁衍到超过50只。此外还有170多头红狼在美国被圈养。
保护级度：
CR——极危物种。
