在我們生活中的一些場合經常會有一些不該出現的敏感詞，我們通常會使用*去屏蔽它，例如：尼瑪 -> **，一些罵人的敏感詞和一些政治敏感詞都不應該出現在一些公共場合中，這個時候我們就需要一定的手段去屏蔽這些敏感詞。下面我來介紹一些簡單版本的敏感詞屏蔽的方法。

（我已經盡量把臟話做成圖片的形式了，要不然文章發不出去）

方法一：replace過濾

replace就是最簡單的字符串替換，當一串字符串中有可能會出現的敏感詞時，我們直接使用相應的replace方法用*替換出敏感詞即可。

缺點：

文本和敏感詞少的時候還可以，多的時候效率就比較差了

import datetimenow = datetime.datetime.now()print(filter_sentence, ' | ', now)

如果是多個敏感詞可以用列表進行逐一替換

for i in dirty: speak = speak.replace(i, ’*’)print(speak, ' | ', now)

方法二：正則表達式過濾

正則表達式算是一個不錯的匹配方法了，日常的查詢中，機會都會用到正則表達式，包括我們的爬蟲，也都是經常會使用到正則表達式的，在這里我們主要是使用“|”來進行匹配，“|”的意思是從多個目標字符串中選擇一個進行匹配。寫個簡單的例子：

import redef sentence_filter(keywords, text): return re.sub('|'.join(keywords), '***', text)print(sentence_filter(dirty, speak))

方法三：DFA過濾算法

DFA的算法，即Deterministic Finite Automaton算法，翻譯成中文就是確定有窮自動機算法。它的基本思想是基于狀態轉移來檢索敏感詞，只需要掃描一次待檢測文本，就能對所有敏感詞進行檢測。（實現見代碼注釋）

#!/usr/bin/env python# -*- coding:utf-8 -*-# @Time：2020/4/15 11:40# @Software：PyCharm# article_add: https://www.cnblogs.com/JentZhang/p/12718092.html__author__ = 'JentZhang'import jsonMinMatchType = 1 # 最小匹配規則MaxMatchType = 2 # 最大匹配規則class DFAUtils(object): ''' DFA算法 ''' def __init__(self, word_warehouse): ''' 算法初始化 :param word_warehouse:詞庫 ''' # 詞庫 self.root = dict() # 無意義詞庫,在檢測中需要跳過的（這種無意義的詞最后有個專門的地方維護，保存到數據庫或者其他存儲介質中） self.skip_root = [’ ’, ’&’, ’!’, ’！’, ’@’, ’#’, ’$’, ’￥’, ’*’, ’^’, ’%’, ’?’, ’？’, ’<’, ’>’, '《', ’》’] # 初始化詞庫 for word in word_warehouse: self.add_word(word) def add_word(self, word): ''' 添加詞庫 :param word: :return: ''' now_node = self.root word_count = len(word) for i in range(word_count): char_str = word[i] if char_str in now_node.keys(): # 如果存在該key，直接賦值，用于下一個循環獲取 now_node = now_node.get(word[i]) now_node[’is_end’] = False else: # 不存在則構建一個dict new_node = dict() if i == word_count - 1: # 最后一個 new_node[’is_end’] = True else: # 不是最后一個 new_node[’is_end’] = False now_node[char_str] = new_node now_node = new_node def check_match_word(self, txt, begin_index, match_type=MinMatchType): ''' 檢查文字中是否包含匹配的字符 :param txt:待檢測的文本 :param begin_index: 調用getSensitiveWord時輸入的參數，獲取詞語的上邊界index :param match_type:匹配規則 1：最小匹配規則，2：最大匹配規則 :return:如果存在，則返回匹配字符的長度，不存在返回0 ''' flag = False match_flag_length = 0 # 匹配字符的長度 now_map = self.root tmp_flag = 0 # 包括特殊字符的敏感詞的長度 for i in range(begin_index, len(txt)): word = txt[i] # 檢測是否是特殊字符' if word in self.skip_root and len(now_map) < 100: # len(nowMap)<100 保證已經找到這個詞的開頭之后出現的特殊字符 tmp_flag += 1 continue # 獲取指定key now_map = now_map.get(word) if now_map: # 存在，則判斷是否為最后一個 # 找到相應key，匹配標識+1 match_flag_length += 1 tmp_flag += 1 # 如果為最后一個匹配規則，結束循環，返回匹配標識數 if now_map.get('is_end'): # 結束標志位為true flag = True # 最小規則，直接返回,最大規則還需繼續查找 if match_type == MinMatchType: break else: # 不存在，直接返回 break if tmp_flag < 2 or not flag: # 長度必須大于等于1，為詞 tmp_flag = 0 return tmp_flag def get_match_word(self, txt, match_type=MinMatchType): ''' 獲取匹配到的詞語 :param txt:待檢測的文本 :param match_type:匹配規則 1：最小匹配規則，2：最大匹配規則 :return:文字中的相匹配詞 ''' matched_word_list = list() for i in range(len(txt)): # 0---11 length = self.check_match_word(txt, i, match_type) if length > 0: word = txt[i:i + length] matched_word_list.append(word) # i = i + length - 1 return matched_word_list def is_contain(self, txt, match_type=MinMatchType): ''' 判斷文字是否包含敏感字符 :param txt:待檢測的文本 :param match_type:匹配規則 1：最小匹配規則，2：最大匹配規則 :return:若包含返回true，否則返回false ''' flag = False for i in range(len(txt)): match_flag = self.check_match_word(txt, i, match_type) if match_flag > 0: flag = True return flag def replace_match_word(self, txt, replace_char=’*’, match_type=MinMatchType): ''' 替換匹配字符 :param txt:待檢測的文本 :param replace_char:用于替換的字符，匹配的敏感詞以字符逐個替換，如'你是大王八'，敏感詞'王八'，替換字符*，替換結果'你是大**' :param match_type:匹配規則 1：最小匹配規則，2：最大匹配規則 :return:替換敏感字字符后的文本 ''' tuple_set = self.get_match_word(txt, match_type) word_set = [i for i in tuple_set] result_txt = '' if len(word_set) > 0: # 如果檢測出了敏感詞，則返回替換后的文本 for word in word_set: replace_string = len(word) * replace_char txt = txt.replace(word, replace_string) result_txt = txt else: # 沒有檢測出敏感詞，則返回原文本 result_txt = txt return result_txtif __name__ == ’__main__’: dfa = DFAUtils(word_warehouse=word_warehouse) print(’詞庫結構：’, json.dumps(dfa.root, ensure_ascii=False)) # 待檢測的文本 msg = msg print(’是否包含：’, dfa.is_contain(msg)) print(’相匹配的詞：’, dfa.get_match_word(msg)) print(’替換包含的詞：’, dfa.replace_match_word(msg))

方法四：AC自動機

AC自動機需要有前置知識：Trie樹（簡單介紹：又稱前綴樹，字典樹，是用于快速處理字符串的問題，能做到快速查找到一些字符串上的信息。）

詳細參考：

https://www.luogu.com.cn/blog/juruohyfhaha/trie-xue-xi-zong-jie

ac自動機,就是在tire樹的基礎上,增加一個fail指針,如果當前點匹配失敗,則將指針轉移到fail指針指向的地方,這樣就不用回溯,而可以路匹配下去了。

詳細匹配機制我在這里不過多贅述，關于AC自動機可以參考一下這篇文章：

https://www.jb51.net/article/128711.htm

python可以利用ahocorasick模塊快速實現：

# python3 -m pip install pyahocorasickimport ahocorasickdef build_actree(wordlist): actree = ahocorasick.Automaton() for index, word in enumerate(wordlist): actree.add_word(word, (index, word)) actree.make_automaton() return actreeif __name__ == ’__main__’: actree = build_actree(wordlist=wordlist) sent_cp = sent for i in actree.iter(sent): sent_cp = sent_cp.replace(i[1][1], '**') print('屏蔽詞：',i[1][1]) print('屏蔽結果：',sent_cp)

當然，我們也可以手寫一份AC自動機，具體參考：

class TrieNode(object): __slots__ = [’value’, ’next’, ’fail’, ’emit’] def __init__(self, value): self.value = value self.next = dict() self.fail = None self.emit = Noneclass AhoCorasic(object): __slots__ = [’_root’] def __init__(self, words): self._root = AhoCorasic._build_trie(words) @staticmethod def _build_trie(words): assert isinstance(words, list) and words root = TrieNode(’root’) for word in words: node = root for c in word: if c not in node.next: node.next[c] = TrieNode(c) node = node.next[c] if not node.emit: node.emit = {word} else: node.emit.add(word) queue = [] queue.insert(0, (root, None)) while len(queue) > 0: node_parent = queue.pop() curr, parent = node_parent[0], node_parent[1] for sub in curr.next.itervalues(): queue.insert(0, (sub, curr)) if parent is None: continue elif parent is root: curr.fail = root else: fail = parent.fail while fail and curr.value not in fail.next: fail = fail.fail if fail: curr.fail = fail.next[curr.value] else: curr.fail = root return root def search(self, s): seq_list = [] node = self._root for i, c in enumerate(s): matched = True while c not in node.next: if not node.fail: matched = False node = self._root break node = node.fail if not matched: continue node = node.next[c] if node.emit: for _ in node.emit: from_index = i + 1 - len(_) match_info = (from_index, _) seq_list.append(match_info) node = self._root return seq_listif __name__ == ’__main__’: aho = AhoCorasic([’foo’, ’bar’]) print aho.search(’barfoothefoobarman’)

以上便是使用Python實現敏感詞過濾的四種方法，前面兩種方法比較簡單，后面兩種偏向算法，需要先了解算法具體實現的原理，之后代碼就好懂了。（DFA作為比較常用的過濾手段，建議大家掌握一下~）

最后附上敏感詞詞庫：

https://github.com/qloog/sensitive_words

以上就是Python實現敏感詞過濾的4種方法的詳細內容，更多關于python 敏感詞過濾的資料請關注好吧啦網其它相關文章！