共计 4567 个字符，预计需要花费 12 分钟才能阅读完成。
Last-Modified: 2019 年 5 月 10 日 15:25:35
参考文章
- c++ 使用 map 实现 Trie 树
-
关键词过滤扩展，用于检查一段文本中是否出现敏感词，基于 Double-Array Trie 树实现
↑ 现成的 php 扩展, 同时支持 php5、php7
-
从 Trie 到 Double Array Trie
↑ 深入浅出讲解
- 前缀树匹配 Double Array Trie
-
trie_filter 扩展 + swoole 实现敏感词过滤
↑ 简单的 php 高性能实现方式
背景
项目中需要过滤用户发送的聊天文本, 由于敏感词有将近 2W 条, 如果用 str_replace 来处理会炸掉的.
网上了解了一下, 在性能要求不高的情况下, 可以自行构造 Trie 树 (字典树), 这就是本文的由来.
简介
Trie 树是一种搜索树, 也叫字典树、单词查找树.
DFA 可以理解为 DFA(Deterministic Finite Automaton), 即
这里借用一张图来解释 Trie 树的结构:
Trie 可以理解为确定有限状态自动机，即 DFA。在 Trie 树中，每个节点表示一个状态，每条边表示一个字符，从根节点到叶子节点经过的边即表示一个词条。查找一个词条最多耗费的时间只受词条长度影响，因此 Trie 的查找性能是很高的，跟哈希算法的性能相当。
上面实际保存了
abcd
abd
b
bcd
efg
hij特点:
- 所有词条的公共前缀只存储一份
- 只需遍历一次待检测文本
- 查找消耗时间只跟待检测文本长度有关, 跟字典大小无关
存储结构
PHP
在 PHP 中, 可以很方便地使用数组来存储树形结构, 以以下敏感词字典为例:
大傻子
大傻
傻子 ↑ 内容纯粹是为了举例 … 游戏聊天日常屏蔽内容
则存储结构为
{
"大": {
"傻": {
"end": true
"子": {"end": true}
}
},
"傻": {
"子": {"end": true},
}
}其他语言
简单点的可以考虑使用 HashMap 之类的来实现
或者参考 这篇文章 , 使用 Four-Array Trie，Triple-Array Trie 和 Double-Array Trie 结构来设计 (名称与内部使用的数组个数有关)
字符串分割
无论是在构造字典树或过滤敏感文本时, 都需要将其分割, 需要考虑到 unicode 字符
有一个简单的方法:
$str = "a 笨蛋 123"; // 待分割的文本
$arr = preg_split("//u", $str, -1, PREG_SPLIT_NO_EMPTY); // 分割后的文本
// 输出
array(6) {[0]=>
string(1) "a"
[1]=>
string(3) "笨"
[2]=>
string(3) "蛋"
[3]=>
string(1) "1"
[4]=>
string(1) "2"
[5]=>
string(1) "3"
}匹配规则需加
u修饰符,/u表示按 unicode(utf-8) 匹配（主要针对多字节比如汉字）, 否则会无法正常工作, 如下示例 ↓$str = "a 笨蛋 123"; // 待分割的文本 $arr = preg_split("//", $str, -1, PREG_SPLIT_NO_EMPTY); // 分割后的文本 // array(10) {[0]=> string(1) "a" [1]=> string(1) "�" [2]=> string(1) "�" [3]=> string(1) "�" [4]=> string(1) "�" [5]=> string(1) "�" [6]=> string(1) "�" [7]=> string(1) "1" [8]=> string(1) "2" [9]=> string(1) "3" }
示例代码 php
构建:
1. 分割敏感词
2. 逐个将分割后的次添加到树中
使用:
- 分割待处理词句
- 从 Trie 树根节点开始逐个匹配
class SensitiveWordFilter
{
protected $dict;
protected $dictFile;
/**
* @param string $dictFile 字典文件路径, 每行一句
*/
public function __construct($dictFile)
{
$this->dictFile = $dictFile;
$this->dict = [];}
public function loadData($cache = true)
{$memcache = new Memcache();
$memcache->pconnect("127.0.0.1", 11212);
$cacheKey = __CLASS__ . "_" . md5($this->dictFile);
if ($cache && false !== ($this->dict = $memcache->get($cacheKey))) {return;}
$this->loadDataFromFile();
if ($cache) {$memcache->set($cacheKey, $this->dict, null, 3600);
}
}
/**
* 从文件加载字典数据, 并构建 trie 树
*/
public function loadDataFromFile()
{
$file = $this->dictFile;
if (!file_exists($file)) {throw new InvalidArgumentException("字典文件不存在");
}
$handle = @fopen($file, "r");
if (!is_resource($handle)) {throw new RuntimeException("字典文件无法打开");
}
while (!feof($handle)) {$line = fgets($handle);
if (empty($line)) {continue;}
$this->addWords(trim($line));
}
fclose($handle);
}
/**
* 分割文本 (注意 ascii 占 1 个字节, unicode...)
*
* @param string $str
*
* @return string[]
*/
protected function splitStr($str)
{return preg_split("//u", $str, -1, PREG_SPLIT_NO_EMPTY);
}
/**
* 往 dict 树中添加语句
*
* @param $wordArr
*/
protected function addWords($words)
{$wordArr = $this->splitStr($words);
$curNode = &$this->dict;
foreach ($wordArr as $char) {if (!isset($curNode)) {$curNode[$char] = [];}
$curNode = &$curNode[$char];
}
// 标记到达当前节点完整路径为 "敏感词"
$curNode['end']++;
}
/**
* 过滤文本
*
* @param string $str 原始文本
* @param string $replace 敏感字替换字符
* @param int $skipDistance 严格程度: 检测时允许跳过的间隔
*
* @return string 返回过滤后的文本
*/
public function filter($str, $replace = '*', $skipDistance = 0)
{$maxDistance = max($skipDistance, 0) + 1;
$strArr = $this->splitStr($str);
$length = count($strArr);
for ($i = 0; $i < $length; $i++) {$char = $strArr[$i];
if (!isset($this->dict[$char])) {continue;}
$curNode = &$this->dict[$char];
$dist = 0;
$matchIndex = [$i];
for ($j = $i + 1; $j < $length && $dist < $maxDistance; $j++) {if (!isset($curNode[$strArr[$j]])) {
$dist ++;
continue;
}
$matchIndex[] = $j;
$curNode = &$curNode[$strArr[$j]];
}
// 匹配
if (isset($curNode['end'])) {// Log::Write("match");
foreach ($matchIndex as $index) {$strArr[$index] = $replace;
}
$i = max($matchIndex);
}
}
return implode('', $strArr);
}
/**
* 确认所给语句是否为敏感词
*
* @param $strArr
*
* @return bool|mixed
*/
public function isMatch($strArr)
{$strArr = is_array($strArr) ? $strArr : $this->splitStr($strArr);
$curNode = &$this->dict;
foreach ($strArr as $char) {if (!isset($curNode[$char])) {return false;}
}
// return $curNode['end'] ?? false; // php 7
return isset($curNode['end']) ? $curNode['end'] : false;
}
}字典文件示例:
敏感词 1
敏感词 2
敏感词 3
...使用示例:
$filter = new SensitiveWordFilter(PATH_APP . '/config/dirty_words.txt');
$filter->loadData()
$filter->filter("测试 123 文本",'*', 2)优化
缓存字典树
原始敏感词文件大小: 194KB(约 20647 行)
生成字典树后占用内存 (约): 7MB
构建字典树消耗时间: 140ms+ !!!
php 的内存占用这点 … 先放着
构建字典树消耗时间这点是可以优化的: 缓存!
由于 php 脚本不是常驻内存类型, 每次新的请求到来时都需要构建字典树.
我们通过将生成好的字典树数组缓存 (memcached 或 redis), 在后续请求中每次都从缓存中读取, 可以大大提高性能.
经过测试, 构建字典树的时间从 140ms+ 降低到 6ms 不到,
注意:
- memcached 默认会自动序列化缓存的数组 (serialize), 取出时自动反序列化 (unserialize)
- 若是 redis, 则需要手动, 可选择 json 存取
序列化上述生成的 Trie 数组后的字符长度:
- serialize: 426KB
- json: 241KB
提示: 因此若整个字典过大, 导致存入 memcached 时超出单个 value 大小限制时 (默认是 1M), 可以考虑手动 json 序列化数组再保存.
↑ … 刚发现 memcache 存入 value 时提供压缩功能, 可以考虑使用
常驻服务
若是将过滤敏感字功能独立为一个常驻内存的服务, 则构建字典树这个过程只需要 1 次, 后续值需要处理过滤文本的请求即可.
如果是 PHP, 可以考虑使用 Swoole
由于项目当前敏感词词库仅 2W 条左右, 而且访问瓶颈并不在此, 因此暂时使用上述方案.
ab 测试时单个
若是词库达上百万条, 那估计得考虑一下弄成常驻内存的服务了
这里有一篇 文章 测试了使用 Swoole(
swoole_http_server) + trie-filter 扩展, 词库量级 200W
