内容安全校验—DFA算法的简单使用

使用阿里云进行内容安全校验，可以过滤一些色情、广告、灌水、渉政、辱骂等内容。
但是在企业中的业务，可能有些敏感词是阿里云第三方接口所无法检测到的，又或者是公司需要节省开销，这样的话就需要自己维护一套敏感词。在内容审核的时候，会先校验自己维护的敏感词库是否包含此内容，如果出现了就不需要再用阿里云第三方接口来校验内容安全了，就省了一笔开销。

敏感词过滤有四种方案：

1. 数据库模糊查询，这种方式效率太低
2. String.indexOf(“”)查找，这种方式 如果数据库量大的话也是比较慢
3. 全文检索，这种方式需要创建ES索引库，分词再匹配
4. DFA算法，确定有穷自动机(一种数据结构)，下面主要演示此方案

DFA简介：

DFA实现原理：https://www.cnblogs.com/twoheads/p/11349541.html
DFA全称为：Deterministic Finite Automaton,即确定有穷自动机。
存储：一次性的把所有的敏感词存储到了多个map中，下图就是表示这种结构

检索的过程：

DFA的使用：

1. 在数据库中创建一个敏感词表：
   
2. 创建敏感词表对应的实体类：

import com.baomidou.mybatisplus.annotation.IdType;
import com.baomidou.mybatisplus.annotation.TableField;
import com.baomidou.mybatisplus.annotation.TableId;
import com.baomidou.mybatisplus.annotation.TableName;
import lombok.Data;
import java.io.Serializable;
import java.util.Date;

/**
 * 敏感词信息表
 * @author xiaobai
 */
@Data
@TableName("wm_sensitive")
public class WmSensitive implements Serializable {
    private static final long serialVersionUID = 1L;
    //主键
    @TableId(value = "id", type = IdType.AUTO)
    private Integer id;
    //敏感词
    @TableField("sensitives")
    private String sensitives;
    //创建时间
    @TableField("created_time")
    private Date createdTime;
}

3. 敏感词校验的工具类：
   使用的时候，需要先查询数据库敏感词表中的所有数据，获取所有敏感词数据的集合，然后调用此工具类的initMap方法，用所有数据的集合作为参数传入，目的是为了初始化关键词字典库。
   当需要对内容进行检测的时候，调用此工具类的matchWords方法，将需要检测的内容传入，就可以检测文本内容是否是敏感词了。返回的是一个map集合，会返回匹配的关键词和命中次数。也就是说如果map.size>0就表示校验的文本是违规的，在敏感词库中存在。

import java.util.*;
public class SensitiveWordUtil {

    public static Map<String, Object> dictionaryMap = new HashMap<>();

    /**
     * 生成关键词字典库
     * @param words
     * @return
     */
    public static void initMap(Collection<String> words) {
        if (words == null) {
            System.out.println("敏感词列表不能为空");
            return ;
        }
        // map初始长度words.size()，整个字典库的入口字数(小于words.size()，因为不同的词可能会有相同的首字)
        Map<String, Object> map = new HashMap<>(words.size());
        // 遍历过程中当前层次的数据
        Map<String, Object> curMap = null;
        Iterator<String> iterator = words.iterator();

        while (iterator.hasNext()) {
            String word = iterator.next();
            curMap = map;
            int len = word.length();
            for (int i =0; i < len; i++) {
                // 遍历每个词的字
                String key = String.valueOf(word.charAt(i));
                // 当前字在当前层是否存在, 不存在则新建, 当前层数据指向下一个节点, 继续判断是否存在数据
                Map<String, Object> wordMap = (Map<String, Object>) curMap.get(key);
                if (wordMap == null) {
                    // 每个节点存在两个数据: 下一个节点和isEnd(是否结束标志)
                    wordMap = new HashMap<>(2);
                    wordMap.put("isEnd", "0");
                    curMap.put(key, wordMap);
                }
                curMap = wordMap;
                // 如果当前字是词的最后一个字，则将isEnd标志置1
                if (i == len -1) {
                    curMap.put("isEnd", "1");
                }
            }
        }
        dictionaryMap = map;
    }

    /**
     * 搜索文本中某个文字是否匹配关键词
     * @param text
     * @param beginIndex
     * @return
     */
    private static int checkWord(String text, int beginIndex) {
        if (dictionaryMap == null) {
            throw new RuntimeException("字典不能为空");
        }
        boolean isEnd = false;
        int wordLength = 0;
        Map<String, Object> curMap = dictionaryMap;
        int len = text.length();
        // 从文本的第beginIndex开始匹配
        for (int i = beginIndex; i < len; i++) {
            String key = String.valueOf(text.charAt(i));
            // 获取当前key的下一个节点
            curMap = (Map<String, Object>) curMap.get(key);
            if (curMap == null) {
                break;
            } else {
                wordLength ++;
                if ("1".equals(curMap.get("isEnd"))) {
                    isEnd = true;
                }
            }
        }
        if (!isEnd) {
            wordLength = 0;
        }
        return wordLength;
    }

    /**
     * 获取匹配的关键词和命中次数
     * @param text
     * @return
     */
    public static Map<String, Integer> matchWords(String text) {
        Map<String, Integer> wordMap = new HashMap<>();
        int len = text.length();
        for (int i = 0; i < len; i++) {
            int wordLength = checkWord(text, i);
            if (wordLength > 0) {
                String word = text.substring(i, i + wordLength);
                // 添加关键词匹配次数
                if (wordMap.containsKey(word)) {
                    wordMap.put(word, wordMap.get(word) + 1);
                } else {
                    wordMap.put(word, 1);
                }
                i += wordLength - 1;
            }
        }
        return wordMap;
    }
}