需求背景

大家有没有做过屏蔽敏感词的需求呢，这个需求一般来说很常见了。比如，系统中有一段话：

我爱吃肯德基

要求【肯德基】三个词被屏蔽掉，屏蔽后的语句显示为：

我爱吃***

常规的做法可能是查询敏感词库中的敏感词，循环每一个敏感词，然后去输入的文本中从头到尾搜索一遍，看是否存在此敏感词。

但是如果敏感词很多，对于匹配也是很耗性能的。

这里介绍使用DFA算法匹配敏感词，并进行处理。性能要优于常规处理方法。

什么是DFA算法

在计算理论中，确定有限状态自动机或确定有限自动机（英语：deterministic finite automaton, DFA）是一个能实现状态转移的自动机。对于一个给定的属于该自动机的状态和一个属于该自动机字母表E的字符，它都能根据事先给定的转移函数转移到下一个状态（这个状态可以是先前那个状态）。

——来自维基百科

这里的确定意思为：状态以及引起状态转换的事件都是可确定的，不存在"意外"。有限指的是：状态以及事件的数量都是可穷举的。

DFA算法在匹配关键字上面有广泛的应用。

比如上面的关键词【肯德基】，【肯尼玛】。我们可以抽取成上面的树状模型。椭圆表示状态，状态与状态之间的连线叫事件。

当然这里只是简单地介绍DFA是什么，想深入的童鞋可以看看这篇文章：

常用的DFA最小化算法？ - 知乎
-https://www.zhihu.com/question/39767421

里面介绍了如何将正常数据构造成DFA形式。

JAVA代码实战

现在我们开始做一个示例吧

现在我们指定了敏感词【"二愣子"，"二蛋"，"狗娃"】，我们按照上面的方式重新构造数据结构：

如上图，我们构造了3组数据，每个节点有一个状态标记，1代表节点结束，也就是敏感词结束，0代表还未结束。

数据结构Json形式如下：

接下来就是如何实现代码了。

首先我们将敏感词汇添加进入set集合中：

private Set<String> readSensitivewordFile() {
   Set<String> set = Sets.newHashSet();
   set.add("二愣子");
   set.add("二蛋");
   set.add("狗娃");
   return set;
}

当然，实际情况需要从数据库中读取，或者从文件中读取，然后再加载进入set集合。接下来我们将set中的数据重新构造成上面Json格式的，Java这里需要使用Map来存储。

我们创建一个sensitiveWordMap来存储敏感词，这里实际就是map套map的过程，我们来调试看看map的结构：

上面的数据结构Map是不是看晕了，其实就是我之前提到Json格式。

在系统初始化时就将敏感词构造好。

我们将敏感词的结构构造好后，就开始匹配句子了。

如上代码，我们需要将句子中的字符一个一个的循环，如果(Map) nowMap.get(word) != null，说明匹配到了敏感词，这里如果isEnd的结束符为1，代表敏感词结束，即匹配到了一个敏感词。

我们还会遇到上图的情况，【二蛋】是一个敏感词，【蛋疼】也是一敏感词。在【蛋】这个节点中，是【二蛋】的结束节点，是【蛋疼】的开始节点。我们通过代码：

SensitiveWordFilter.minMatchTYpe == matchType

判断，如果为true，我们在【蛋】结束之后就不再往下匹配，并将匹配到的index返回。之后再进入下一个循环了。反之。

上面我们拿到匹配到的敏感词的index，接下来就要将句子中的敏感词显示出来了。

我们将其存入set集合中：

Set<String> sensitiveWordList = new HashSet<>();

这里大家发现一个问题没有：

获取敏感词index循环了一次txt句子，获取敏感词字符又循环了一次，大家有没有办法减少一次循环呢

这个问题大家阔以思考一下。

然后我们将句子中的敏感词替换成指定的字符。

比如我们将敏感词替换成 "*"。

测试代码

我们来测试下代码

我们选取了《凡人修仙传》中的一段句子：

"韩立被村里人叫作“二愣子”，可人并不是真愣真傻，反而是村中首屈一指的聪明孩子，但就像其他村中的孩子一样，除了家里人外，他就很少听到有人正式叫他名字“韩立”，倒是“二愣子”“二愣子”的称呼一直伴随至今。而之所以被人起了个“二愣子”的绰号，也只不过是因为村里已有一个叫“愣子”的孩子了。这也没啥，村里的其他孩子也是“狗娃”“二蛋”之类的被人一直称呼着，这些名字也不见得比“二愣子”好听了哪里去。"

测试的结果为：

关于DFA的思考

这里我们将敏感词构造成map，相对于普通的方法，我们不用循环敏感词，直接用hash表的形式。效率会快很多。但是我们循环了两次句子txt，如果我们的句子很大，那就对性能有影响，如果我们的敏感词库很大，构建的map集合就会很大，这样就会很占用内存。

进阶-一种基于AC自动机的高性能匹配算法

关于DFA算法的问题，这里又有一种AC自动机的算法，也可以实现敏感词匹配。网上有关于AC自动机的论文，有兴趣的童鞋阔以下载看看：

PARA-AC：一种基于AC自动机的高性能匹配算法-AET-电子技术应用
-http://www.chinaaet.com/tech/designApplication/3000125061

什么是AC自动机呢？

AC自动机全称是Aho-CorasickAutoMaton，和Trie树一样是多模式字符串匹配算法。并且它与Trie树的关系就相当于KMP与BF算法的关系一样，AC自动机的效率要远远超出Trie树

AC自动机对Trie进行了改进，在Trie的基础上结合了KMP算法的思想，在树中加入了类似next数组的失效指针。

AC自动机的构建主要包含以下两个操作

将多个模式串构建成Trie树

为Trie树中每个节点构建失败指针

这里给大家推荐一个项目，基于AC自动机的高性能敏感词匹配：

GitHub - toolgood/ToolGood.Words: 一款高性能敏感词(非法词/脏字)检测过滤组件，附带繁体简体互换，支持全角半角互换，汉字转拼音，模糊搜索等功能。
-https://github.com/toolgood/ToolGood.Words

感谢这个大佬提供的开源项目。

敏感词构造的数据结构：

封装的数据结构为

匹配替换敏感词代码如下：

代码中的TrieNode2为存储的敏感词结合构

我们用AC自动机算法测试敏感词

如上代码，test为我们要测试的句子，list为设置的敏感词，测试结果如下：

我们对比DFA算法的耗时：

AC自动机耗时低于1ms，而DFA自动机的耗时大于了1ms，当然这里只是初略的测试。需要有意义的性能测试还需要加大敏感词库和测试句子的量。

好了，今天的文章到这里就结束了，文章介绍了AC与DFA两种算法屏蔽敏感词以及其性能，当然AC自动机的原理还是比较复杂的，本文就不做详细介绍了，有兴趣的同学可以多了解下相关知识。

参考

AC自动机：如何实现敏感词过滤? -
https://blog.csdn.net/qq_35423154/article/details/109181973