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

abcdabdbbcdefghij

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