Trie树-php-实现敏感词过滤

45次阅读

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:

  1. 分割待处理词句
  2. 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

正文完
 0