333 lines
16 KiB
C#
333 lines
16 KiB
C#
using System;
|
||
using System.Collections;
|
||
using System.Collections.Generic;
|
||
|
||
namespace ET
|
||
{
|
||
/// <summary>
|
||
/// 此算法思想来源于“http://www.cnblogs.com/sumtec/archive/2008/02/01/1061742.html”,经测试，检测"屄defg东正教dsa SofU ckd臺灣青年獨立聯盟daoiuq 样什么J& b玩意 日你先人"这个字符串并替换掉敏感词平均花费2.7ms
|
||
/// </summary>
|
||
public static class IllegalWordHelper
|
||
{
|
||
/// <summary>
|
||
/// 存了所有的长度大于1的敏感词汇
|
||
/// </summary>
|
||
static HashSet<string> wordsSet = new HashSet<string>();
|
||
/// <summary>
|
||
/// 存了某一个词在所有敏感词中的位置，（超出8个的截断为第8个位置）
|
||
/// </summary>
|
||
static byte[] fastCheck = new byte[char.MaxValue];
|
||
/// <summary>
|
||
/// 存了所有敏感词的长度信息，“Key”值为所有敏感词的第一个词，敏感词的长度会截断为8
|
||
/// </summary>
|
||
static byte[] fastLength = new byte[char.MaxValue];
|
||
/// <summary>
|
||
/// 保有所有敏感词汇的第一个词的记录，可用来判断是否一个词是一个或者多个敏感词汇的“第一个词”，且可判断以某一个词作为第一个词的一系列的敏感词的最大的长度
|
||
/// </summary>
|
||
static byte[] startCache = new byte[char.MaxValue];
|
||
static char[] dectectedBuffer = null;
|
||
static string SkipList = " \t\r\n~!@#$%^&*()_+-=`￥……【】、{}|;':\"，。、《》?\\αβγδεζηθικλμνξοπρστυφχψωΑΒΓΔΕΖΗΘΙΚΛΜΝΞΟΠΡΣΤΥΦΧΨΩ。，、；：？！…—·ˉ¨‘’“”々～‖∶＂＇｀｜〃〔〕〈〉《》「」『』．〖〗【】（）［］｛｝ⅠⅡⅢⅣⅤⅥⅦⅧⅨⅩⅪⅫ⒈⒉⒊⒋⒌⒍⒎⒏⒐⒑⒒⒓⒔⒕⒖⒗⒘⒙⒚⒛㈠㈡㈢㈣㈤㈥㈦㈧㈨㈩①②③④⑤⑥⑦⑧⑨⑩⑴⑵⑶⑷⑸⑹⑺⑻⑼⑽⑾⑿⒀⒁⒂⒃⒄⒅⒆⒇≈≡≠＝≤≥＜＞≮≯∷±＋－×÷／∫∮∝∞∧∨∑∏∪∩∈∵∴⊥∥∠⌒⊙≌∽√§№☆★○●◎◇◆□℃‰€■△▲※→←↑↓〓¤°＃＆＠＼︿＿￣―♂♀┌┍┎┐┑┒┓─┄┈├┝┞┟┠┡┢┣│┆┊┬┭┮┯┰┱┲┳┼┽┾┿╀╁╂╃└┕┖┗┘┙┚┛━┅┉┤┥┦┧┨┩┪┫┃┇┋┴┵┶┷┸┹┺┻╋╊╉╈╇╆╅╄";
|
||
static BitArray SkipBitArray = new BitArray(char.MaxValue);
|
||
/// <summary>
|
||
/// 保有所有敏感词汇的最后一个词的记录，仅用来判断是否一个词是一个或者多个敏感词汇的“最后一个词”
|
||
/// </summary>
|
||
static BitArray endCache = new BitArray(char.MaxValue);
|
||
|
||
unsafe public static void Init(string[] badwords)
|
||
{
|
||
if (badwords == null || badwords.Length == 0)
|
||
return;
|
||
|
||
int wordLength = 0;
|
||
int maxWordLength = int.MinValue;
|
||
|
||
for (int stringIndex = 0, len = badwords.Length; stringIndex < len; ++stringIndex)
|
||
{
|
||
if (string.IsNullOrEmpty(badwords[stringIndex]))
|
||
continue;
|
||
|
||
string strBadWord = OriginalToLower(badwords[stringIndex]);
|
||
///求得单个的敏感词汇的长度
|
||
wordLength = strBadWord.Length;
|
||
maxWordLength = Math.Max(wordLength, maxWordLength);
|
||
|
||
fixed (char* pWordStart = strBadWord)
|
||
{
|
||
for (int i = 0; i < wordLength; ++i)
|
||
{
|
||
///准确记录8位以内的敏感词汇的某个词在词汇中的“位置”
|
||
if (i < 7)
|
||
fastCheck[*(pWordStart + i)] |= (byte)(1 << i);
|
||
else///8位以外的敏感词汇的词直接限定在第8位
|
||
fastCheck[*(pWordStart + i)] |= 0x80;///0x80在内存中即为1000 0000，因为一个byte顶多标示8位，故超出8位的都位或上0x80，截断成第8位
|
||
}
|
||
|
||
///缓存敏感词汇的长度
|
||
int cachedWordslength = Math.Min(8, wordLength);
|
||
char firstWord = *pWordStart;
|
||
///记录敏感词汇的“大致长度（超出8个字的敏感词汇会被截取成8的长度）”，“key”值为敏感词汇的第一个词
|
||
fastLength[firstWord] |= (byte)(1 << (cachedWordslength - 1));
|
||
///缓存出当前以badWord第一个字开头的一系列的敏感词汇的最长的长度
|
||
if (startCache[firstWord] < cachedWordslength)
|
||
startCache[firstWord] = (byte)(cachedWordslength);
|
||
|
||
///存好敏感词汇的最后一个词汇的“出现情况”
|
||
endCache[*(pWordStart + wordLength - 1)] = true;
|
||
///将长度大于1的敏感词汇都压入到字典中
|
||
if (!wordsSet.Contains(strBadWord))
|
||
wordsSet.Add(strBadWord);
|
||
}
|
||
}
|
||
|
||
/// 初始化好一个用来存检测到的字符串的buffer
|
||
dectectedBuffer = new char[maxWordLength];
|
||
/// 记录应该跳过的不予检测的词
|
||
fixed (char* start = SkipList)
|
||
{
|
||
char* itor = start;
|
||
char* end = start + SkipList.Length;
|
||
while (itor < end) SkipBitArray[*itor++] = true;
|
||
}
|
||
}
|
||
|
||
unsafe static string OriginalToLower(string text)
|
||
{
|
||
fixed (char* newText = text)
|
||
{
|
||
char* itor = newText;
|
||
char* end = newText + text.Length;
|
||
char c;
|
||
|
||
while (itor < end)
|
||
{
|
||
c = *itor;
|
||
|
||
if ('A' <= c && c <= 'Z')
|
||
{
|
||
*itor = (char)(c | 0x20);
|
||
}
|
||
|
||
++itor;
|
||
}
|
||
}
|
||
|
||
return text;
|
||
}
|
||
|
||
unsafe static bool EnsuranceLower(string text)
|
||
{
|
||
fixed (char* newText = text)
|
||
{
|
||
char* itor = newText;
|
||
char* end = newText + text.Length;
|
||
char c;
|
||
|
||
while (itor < end)
|
||
{
|
||
c = *itor;
|
||
|
||
if ('A' <= c && c <= 'Z')
|
||
{
|
||
return true;
|
||
}
|
||
|
||
++itor;
|
||
}
|
||
}
|
||
|
||
return false;
|
||
}
|
||
|
||
/// <summary>
|
||
/// 过滤字符串,默认遇到敏感词汇就以'*'代替
|
||
/// </summary>
|
||
/// <param name="text"></param>
|
||
/// <param name="mask"></param>
|
||
/// <returns></returns>
|
||
unsafe public static string Filter(string text, string mask = "*")
|
||
{
|
||
Dictionary<int, int> dic = DetectIllegalWords(text);
|
||
///如果没有敏感词汇，则直接返回出去
|
||
if (dic.Count == 0)
|
||
return text;
|
||
|
||
fixed (char* newText = text, cMask = mask)
|
||
{
|
||
char* itor = newText;
|
||
Dictionary<int, int>.Enumerator enumerator = dic.GetEnumerator();
|
||
///开始替换敏感词汇
|
||
while (enumerator.MoveNext())
|
||
{
|
||
///偏移到敏感词出现的位置
|
||
itor = newText + enumerator.Current.Key;
|
||
for (int index = 0; index < enumerator.Current.Value; index++)
|
||
{
|
||
///屏蔽掉敏感词汇
|
||
*itor++ = *cMask;
|
||
}
|
||
}
|
||
enumerator.Dispose();
|
||
}
|
||
|
||
return text;
|
||
}
|
||
|
||
///// <summary>
|
||
///// 判断text是否有敏感词汇,如果有返回敏感的词汇的位置,利用指针操作来加快运算速度,暂时独立出一个函数出来，不考虑代码复用的情况
|
||
///// </summary>
|
||
///// <param name="text"></param>
|
||
///// <returns></returns>
|
||
//unsafe public static bool IllegalWordsExistJudgement(string text)
|
||
//{
|
||
// if (string.IsNullOrEmpty(text))
|
||
// return false;
|
||
|
||
// fixed (char* ptext = text, detectedStrStart = dectectedBuffer)
|
||
// {
|
||
// ///缓存字符串的初始位置
|
||
// char* itor = (fastCheck[*ptext] & 0x01) == 0 ? ptext + 1 : ptext;
|
||
// ///缓存字符串的末尾位置
|
||
// char* end = ptext + text.Length;
|
||
|
||
// while (itor < end)
|
||
// {
|
||
// ///如果text的第一个词不是敏感词汇或者当前遍历到了text第一个词的后面的词，则循环检测到text词汇的倒数第二个词，看看这一段子字符串中有没有敏感词汇
|
||
// if ((fastCheck[*itor] & 0x01) == 0)
|
||
// {
|
||
// while (itor < end - 1 && (fastCheck[*(++itor)] & 0x01) == 0) ;
|
||
// }
|
||
|
||
// ///如果有只有一个词的敏感词，且当前的字符串的“非第一个词”满足这个敏感词，则先加入已检测到的敏感词列表
|
||
// if (startCache[*itor] != 0 && (fastLength[*itor] & 0x01) > 0)
|
||
// {
|
||
// return true;
|
||
// }
|
||
|
||
// char* strItor = detectedStrStart;
|
||
// *strItor++ = *itor;
|
||
// int remainLength = (int)(end - itor - 1);
|
||
// int skipCount = 0;
|
||
// ///此时已经检测到一个敏感词的“首词”了,记录下第一个检测到的敏感词的位置
|
||
// ///从当前的位置检测到字符串末尾
|
||
// for (int i = 1; i <= remainLength; ++i)
|
||
// {
|
||
// char* subItor = itor + i;
|
||
// /// 跳过一些过滤的字符,比如空格特殊符号之类的
|
||
// if (SkipBitArray[*subItor])
|
||
// {
|
||
// ++skipCount;
|
||
// continue;
|
||
// }
|
||
// ///如果检测到当前的词在所有敏感词中的位置信息中没有处在第i位的，则马上跳出遍历
|
||
// if ((fastCheck[*subItor] >> Math.Min(i - skipCount, 7)) == 0)
|
||
// {
|
||
// break;
|
||
// }
|
||
|
||
// *strItor++ = *subItor;
|
||
// ///如果有检测到敏感词的最后一个词，并且此时的“检测到的敏感词汇”的长度也符合要求，则才进一步查看检测到的敏感词汇是否是真的敏感
|
||
// if ((fastLength[*itor] >> Math.Min(i - 1 - skipCount, 7)) > 0 && endCache[*subItor])
|
||
// {
|
||
// ///如果此子字符串在敏感词字典中存在，则记录。做此判断是避免敏感词中夹杂了其他敏感词的单词，而上面的算法无法剔除，故先用hash数组来剔除
|
||
// ///上述算法是用于减少大部分的比较消耗
|
||
// if (wordsSet.Contains(new string(dectectedBuffer, 0, (int)(strItor - detectedStrStart))))
|
||
// {
|
||
// return true;
|
||
// }
|
||
// }
|
||
// else if (i - skipCount > startCache[*itor] && startCache[*itor] < 0x80)///如果超过了以该词为首的一系列的敏感词汇的最大的长度，则不继续判断(前提是该词对应的所有敏感词汇没有超过8个词的)
|
||
// {
|
||
// break;
|
||
// }
|
||
// }
|
||
// ++itor;
|
||
// }
|
||
// }
|
||
|
||
// return false;
|
||
//}
|
||
|
||
/// <summary>
|
||
/// 判断text是否有敏感词汇,如果有返回敏感的词汇的位置,利用指针操作来加快运算速度
|
||
/// </summary>
|
||
/// <param name="text"></param>
|
||
/// <returns></returns>
|
||
unsafe public static Dictionary<int, int> DetectIllegalWords(string text)
|
||
{
|
||
var findResult = new Dictionary<int, int>();
|
||
if (string.IsNullOrEmpty(text)) return findResult;
|
||
if (EnsuranceLower(text)) text = text.ToLower();
|
||
int bufferLength = dectectedBuffer.Length;
|
||
if (text.Length > bufferLength) dectectedBuffer = new char[bufferLength << 1];
|
||
|
||
fixed (char* ptext = text, detectedStrStart = dectectedBuffer)
|
||
{
|
||
///缓存字符串的初始位置
|
||
char* itor = (fastCheck[*ptext] & 0x01) == 0 ? ptext + 1 : ptext;
|
||
///缓存字符串的末尾位置
|
||
char* end = ptext + text.Length;
|
||
|
||
while (itor < end)
|
||
{
|
||
///如果text的第一个词不是敏感词汇或者当前遍历到了text第一个词的后面的词，则循环检测到text词汇的倒数第二个词，看看这一段子字符串中有没有敏感词汇
|
||
if ((fastCheck[*itor] & 0x01) == 0)
|
||
{
|
||
while (itor < end - 1 && (fastCheck[*(++itor)] & 0x01) == 0) ;
|
||
}
|
||
|
||
///如果有只有一个词的敏感词，且当前的字符串的“非第一个词”满足这个敏感词，则先加入已检测到的敏感词列表
|
||
if (startCache[*itor] != 0 && (fastLength[*itor] & 0x01) > 0)
|
||
{
|
||
///返回敏感词在text中的位置，以及敏感词的长度，供过滤功能用
|
||
findResult.Add((int)(itor - ptext), 1);
|
||
}
|
||
|
||
char* strItor = detectedStrStart;
|
||
*strItor++ = *itor;
|
||
int remainLength = (int)(end - itor - 1);
|
||
int skipCount = 0;
|
||
///此时已经检测到一个敏感词的“首词”了,记录下第一个检测到的敏感词的位置
|
||
///从当前的位置检测到字符串末尾
|
||
for (int i = 1; i <= remainLength; ++i)
|
||
{
|
||
char* subItor = itor + i;
|
||
/// 跳过一些过滤的字符,比如空格特殊符号之类的
|
||
if (SkipBitArray[*subItor])
|
||
{
|
||
++skipCount;
|
||
continue;
|
||
}
|
||
///如果检测到当前的词在所有敏感词中的位置信息中没有处在第i位的，则马上跳出遍历
|
||
if ((fastCheck[*subItor] >> Math.Min(i - skipCount, 7)) == 0)
|
||
{
|
||
break;
|
||
}
|
||
|
||
*strItor++ = *subItor;
|
||
///如果有检测到敏感词的最后一个词，并且此时的“检测到的敏感词汇”的长度也符合要求，则才进一步查看检测到的敏感词汇是否是真的敏感
|
||
if ((fastLength[*itor] >> Math.Min(i - 1 - skipCount, 7)) > 0 && endCache[*subItor])
|
||
{
|
||
///如果此子字符串在敏感词字典中存在，则记录。做此判断是避免敏感词中夹杂了其他敏感词的单词，而上面的算法无法剔除，故先用hash数组来剔除
|
||
///上述算法是用于减少大部分的比较消耗
|
||
if (wordsSet.Contains(new string(dectectedBuffer, 0, (int)(strItor - detectedStrStart))))
|
||
{
|
||
int curDectectedStartIndex = (int)(itor - ptext);
|
||
findResult[curDectectedStartIndex] = i + 1;
|
||
itor = subItor;
|
||
break;
|
||
}
|
||
}
|
||
else if (i - skipCount > startCache[*itor] && startCache[*itor] < 0x80)///如果超过了以该词为首的一系列的敏感词汇的最大的长度，则不继续判断(前提是该词对应的所有敏感词汇没有超过8个词的)
|
||
{
|
||
break;
|
||
}
|
||
}
|
||
++itor;
|
||
}
|
||
}
|
||
|
||
return findResult;
|
||
}
|
||
}
|
||
}
|