Skip to content

Java快速中文敏感词过滤,在15k敏感词库上的过滤速度超过50M字符每秒。

Notifications You must be signed in to change notification settings

lskhaha/sensitive-words

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

5 Commits
 
 
 
 
 
 

Repository files navigation

快速敏感词过滤

性能概述

使用60MB大小的小说测试,单核性能超过50M字符每秒(i7 2.3GHz)。

敏感词 14553 条
待过滤文本共 599254 行,30613005 字符。
过滤耗时 0.535 秒, 速度为 57220.6字符/毫秒
其中 39691 行有替换

优化方式

主要的优化目标是速度,从以下方面优化:

  1. 敏感词都是2个字以上的,
  2. 对于句子中的一个位置,用2个字符的hash在稀疏的hash桶中查找,如果查不到说明一定不是敏感词,则继续下一个位置。
  3. 2个字符(2x16位),可以预先组合为1个int(32位)的mix,即使hash命中,如果mix不同则跳过。
  4. StringPointer,在不生成新实例的情况下计算任意位置2个字符的hash和mix
  5. StringPointer,尽量减少实例生成和char数组的拷贝。

敏感词库

默认敏感词库拷贝自 https://github.com/observerss/textfilter ,并删除如女人然后这样的几个常用词。 使用默认敏感词库的示例如下

// 使用默认单例(加载默认敏感词库)
SensitiveFilter filter = SensitiveFilter.DEFAULT;
// 向过滤器增加一个词
filter.put("婚礼上唱春天在哪里");
	
// 待过滤的句子
String sentence = "然后,市长在婚礼上唱春天在哪里。";
// 进行过滤
String filted = filter.filter(sentence, '*');
	
// 如果未过滤,则返回输入的String引用
if(sentence != filted){
	// 句子中有敏感词
	System.out.println(filted);
}

打印结果

然后,**在*********。

依赖

JDK 1.7版本及以上

About

Java快速中文敏感词过滤,在15k敏感词库上的过滤速度超过50M字符每秒。

Resources

Stars

Watchers

Forks

Packages

No packages published

Languages