最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

Python實(shí)現(xiàn)敏感詞過(guò)濾的4種方法

 更新時(shí)間:2020年09月12日 15:46:00   作者:我被狗咬了  
這篇文章主要介紹了Python實(shí)現(xiàn)敏感詞過(guò)濾的4種方法,幫助大家處理不和諧的言論,感興趣的朋友可以了解下

在我們生活中的一些場(chǎng)合經(jīng)常會(huì)有一些不該出現(xiàn)的敏感詞,我們通常會(huì)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(yīng)該出現(xiàn)在一些公共場(chǎng)合中,這個(gè)時(shí)候我們就需要一定的手段去屏蔽這些敏感詞。下面我來(lái)介紹一些簡(jiǎn)單版本的敏感詞屏蔽的方法。

(我已經(jīng)盡量把臟話(huà)做成圖片的形式了,要不然文章發(fā)不出去)

方法一:replace過(guò)濾

replace就是最簡(jiǎn)單的字符串替換,當(dāng)一串字符串中有可能會(huì)出現(xiàn)的敏感詞時(shí),我們直接使用相應(yīng)的replace方法用*替換出敏感詞即可。

缺點(diǎn):

文本和敏感詞少的時(shí)候還可以,多的時(shí)候效率就比較差了

import datetime
now = datetime.datetime.now()
print(filter_sentence, " | ", now)

如果是多個(gè)敏感詞可以用列表進(jìn)行逐一替換

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

方法二:正則表達(dá)式過(guò)濾

正則表達(dá)式算是一個(gè)不錯(cuò)的匹配方法了,日常的查詢(xún)中,機(jī)會(huì)都會(huì)用到正則表達(dá)式,包括我們的爬蟲(chóng),也都是經(jīng)常會(huì)使用到正則表達(dá)式的,在這里我們主要是使用“|”來(lái)進(jìn)行匹配,“|”的意思是從多個(gè)目標(biāo)字符串中選擇一個(gè)進(jìn)行匹配。寫(xiě)個(gè)簡(jiǎn)單的例子:

import re

def sentence_filter(keywords, text):
 return re.sub("|".join(keywords), "***", text)

print(sentence_filter(dirty, speak))

方法三:DFA過(guò)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(dòng)機(jī)算法。它的基本思想是基于狀態(tài)轉(zhuǎn)移來(lái)檢索敏感詞,只需要掃描一次待檢測(cè)文本,就能對(duì)所有敏感詞進(jìn)行檢測(cè)。(實(shí)現(xiàn)見(jiàn)代碼注釋?zhuān)?/p>

#!/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 json

MinMatchType = 1 # 最小匹配規(guī)則
MaxMatchType = 2 # 最大匹配規(guī)則


class DFAUtils(object):
 """
 DFA算法
 """

 def __init__(self, word_warehouse):
  """
  算法初始化
  :param word_warehouse:詞庫(kù)
  """
  # 詞庫(kù)
  self.root = dict()
  # 無(wú)意義詞庫(kù),在檢測(cè)中需要跳過(guò)的(這種無(wú)意義的詞最后有個(gè)專(zhuān)門(mén)的地方維護(hù),保存到數(shù)據(jù)庫(kù)或者其他存儲(chǔ)介質(zhì)中)
  self.skip_root = [' ', '&', '!', '!', '@', '#', '$', '¥', '*', '^', '%', '?', '?', '<', '>', "《", '》']
  # 初始化詞庫(kù)
  for word in word_warehouse:
   self.add_word(word)

 def add_word(self, word):
  """
  添加詞庫(kù)
  :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(gè)循環(huán)獲取
    now_node = now_node.get(word[i])
    now_node['is_end'] = False
   else:
    # 不存在則構(gòu)建一個(gè)dict
    new_node = dict()

    if i == word_count - 1: # 最后一個(gè)
     new_node['is_end'] = True
    else: # 不是最后一個(gè)
     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(cè)的文本
  :param begin_index: 調(diào)用getSensitiveWord時(shí)輸入的參數(shù),獲取詞語(yǔ)的上邊界index
  :param match_type:匹配規(guī)則 1:最小匹配規(guī)則,2:最大匹配規(guī)則
  :return:如果存在,則返回匹配字符的長(zhǎng)度,不存在返回0
  """
  flag = False
  match_flag_length = 0 # 匹配字符的長(zhǎng)度
  now_map = self.root
  tmp_flag = 0 # 包括特殊字符的敏感詞的長(zhǎng)度

  for i in range(begin_index, len(txt)):
   word = txt[i]

   # 檢測(cè)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(jīng)找到這個(gè)詞的開(kāi)頭之后出現(xiàn)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(gè)
    # 找到相應(yīng)key,匹配標(biāo)識(shí)+1
    match_flag_length += 1
    tmp_flag += 1
    # 如果為最后一個(gè)匹配規(guī)則,結(jié)束循環(huán),返回匹配標(biāo)識(shí)數(shù)
    if now_map.get("is_end"):
     # 結(jié)束標(biāo)志位為true
     flag = True
     # 最小規(guī)則,直接返回,最大規(guī)則還需繼續(xù)查找
     if match_type == MinMatchType:
      break
   else: # 不存在,直接返回
    break

  if tmp_flag < 2 or not flag: # 長(zhǎng)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(yǔ)
  :param txt:待檢測(cè)的文本
  :param match_type:匹配規(guī)則 1:最小匹配規(guī)則,2:最大匹配規(guī)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(cè)的文本
  :param match_type:匹配規(guī)則 1:最小匹配規(guī)則,2:最大匹配規(guī)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(cè)的文本
  :param replace_char:用于替換的字符,匹配的敏感詞以字符逐個(gè)替換,如"你是大王八",敏感詞"王八",替換字符*,替換結(jié)果"你是大**"
  :param match_type:匹配規(guī)則 1:最小匹配規(guī)則,2:最大匹配規(guī)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(cè)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(méi)有檢測(cè)出敏感詞,則返回原文本
   result_txt = txt
  return result_txt


if __name__ == '__main__':
 dfa = DFAUtils(word_warehouse=word_warehouse)
 print('詞庫(kù)結(jié)構(gòu):', json.dumps(dfa.root, ensure_ascii=False))
 # 待檢測(cè)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(dòng)機(jī)

AC自動(dòng)機(jī)需要有前置知識(shí):Trie樹(shù)(簡(jiǎn)單介紹:又稱(chēng)前綴樹(shù),字典樹(shù),是用于快速處理字符串的問(wèn)題,能做到快速查找到一些字符串上的信息。)

詳細(xì)參考:

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

ac自動(dòng)機(jī),就是在tire樹(shù)的基礎(chǔ)上,增加一個(gè)fail指針,如果當(dāng)前點(diǎn)匹配失敗,則將指針轉(zhuǎn)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(xì)匹配機(jī)制我在這里不過(guò)多贅述,關(guān)于AC自動(dòng)機(jī)可以參考一下這篇文章:

http://m.fzitv.net/article/128711.htm

python可以利用ahocorasick模塊快速實(shí)現(xiàn):

# python3 -m pip install pyahocorasick
import ahocorasick

def build_actree(wordlist):
 actree = ahocorasick.Automaton()
 for index, word in enumerate(wordlist):
  actree.add_word(word, (index, word))
 actree.make_automaton()
 return actree

if __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(jié)果:",sent_cp)

當(dāng)然,我們也可以手寫(xiě)一份AC自動(dòng)機(jī),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 = None


class 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_list


if __name__ == '__main__':
 aho = AhoCorasic(['foo', 'bar'])
 print aho.search('barfoothefoobarman')

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

最后附上敏感詞詞庫(kù):

https://github.com/qloog/sensitive_words

以上就是Python實(shí)現(xiàn)敏感詞過(guò)濾的4種方法的詳細(xì)內(nèi)容,更多關(guān)于python 敏感詞過(guò)濾的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章!

相關(guān)文章

  • selenium切換標(biāo)簽頁(yè)解決get超時(shí)問(wèn)題的完整代碼

    selenium切換標(biāo)簽頁(yè)解決get超時(shí)問(wèn)題的完整代碼

    這篇文章主要給大家介紹了關(guān)于selenium切換標(biāo)簽頁(yè)解決get超時(shí)問(wèn)題的相關(guān)資料,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
    2020-08-08
  • Python內(nèi)存管理器如何實(shí)現(xiàn)池化技術(shù)

    Python內(nèi)存管理器如何實(shí)現(xiàn)池化技術(shù)

    Python中的內(nèi)存管理是從三個(gè)方面來(lái)進(jìn)行的,一對(duì)象的引用計(jì)數(shù)機(jī)制,二垃圾回收機(jī)制,三內(nèi)存池機(jī)制,下面這篇文章主要給大家介紹了關(guān)于Python內(nèi)存管理器如何實(shí)現(xiàn)池化技術(shù)的相關(guān)資料,需要的朋友可以參考下
    2022-05-05
  • Python基礎(chǔ)之字符串格式化詳解

    Python基礎(chǔ)之字符串格式化詳解

    這篇文章主要介紹了Python基礎(chǔ)之字符串格式化詳解,文中有非常詳細(xì)的代碼示例,對(duì)正在學(xué)習(xí)python基礎(chǔ)的小伙伴們有很好地幫助,需要的朋友可以參考下
    2021-04-04
  • django多文件上傳,form提交,多對(duì)多外鍵保存的實(shí)例

    django多文件上傳,form提交,多對(duì)多外鍵保存的實(shí)例

    今天小編就為大家分享一篇django多文件上傳,form提交,多對(duì)多外鍵保存的實(shí)例,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
    2019-08-08
  • python?隨機(jī)生成emoji表情的方法實(shí)現(xiàn)

    python?隨機(jī)生成emoji表情的方法實(shí)現(xiàn)

    本文主要介紹了python?隨機(jī)生成emoji表情的方法實(shí)現(xiàn),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
    2023-09-09
  • Python中的Request請(qǐng)求重試機(jī)制

    Python中的Request請(qǐng)求重試機(jī)制

    這篇文章主要介紹了Python中的Request請(qǐng)求重試機(jī)制,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教
    2024-06-06
  • 詳解Django-restframework 之頻率源碼分析

    詳解Django-restframework 之頻率源碼分析

    這篇文章主要介紹了Django-restframework 之頻率源碼分析,小編覺(jué)得挺不錯(cuò)的,現(xiàn)在分享給大家,也給大家做個(gè)參考。一起跟隨小編過(guò)來(lái)看看吧
    2019-02-02
  • python基于Selenium的web自動(dòng)化框架

    python基于Selenium的web自動(dòng)化框架

    這篇文章主要介紹了python基于Selenium的web自動(dòng)化框架,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧
    2019-07-07
  • Python Tkinter模塊實(shí)現(xiàn)時(shí)鐘功能應(yīng)用示例

    Python Tkinter模塊實(shí)現(xiàn)時(shí)鐘功能應(yīng)用示例

    這篇文章主要介紹了Python Tkinter模塊實(shí)現(xiàn)時(shí)鐘功能,結(jié)合實(shí)例形式分析了Tkinter模塊結(jié)合time模塊實(shí)現(xiàn)的時(shí)鐘圖形繪制與計(jì)時(shí)功能相關(guān)操作技巧,需要的朋友可以參考下
    2018-07-07
  • Python CSS選擇器爬取京東網(wǎng)商品信息過(guò)程解析

    Python CSS選擇器爬取京東網(wǎng)商品信息過(guò)程解析

    這篇文章主要介紹了Python CSS選擇器爬取京東網(wǎng)商品信息過(guò)程解析,文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友可以參考下
    2020-06-06

最新評(píng)論

铜鼓县| 广元市| 隆德县| 苍南县| 武宁县| 浦城县| 封丘县| 长丰县| 夏津县| 东海县| 垣曲县| 西畴县| 简阳市| 永新县| 太原市| 浪卡子县| 那曲县| 成武县| 二手房| 从化市| 富阳市| 威信县| 来安县| 临洮县| 石城县| 太白县| 临泉县| 湘乡市| 铜山县| 呼图壁县| 天柱县| 东海县| 邹城市| 丰宁| 翁源县| 泽普县| 新沂市| 阳信县| 开平市| 浦县| 尼木县|