背景

项目中需要过滤用户发送的聊天文本, 由于敏感词有将近2W条, 如果用 str_replace 来处理会炸掉的.

网上了解了一下, 在性能要求不高的情况下, 可以自行构造 Trie树(字典树), 这就是本文的由来.

简介

Trie树是一种搜索树, 也叫字典树、单词查找树.

DFA可以理解为DFA(Deterministic Finite Automaton), 即

这里借用一张图来解释Trie树的结构:

[原创] Trie树 php 实现敏感词过滤

Trie可以理解为确定有限状态自动机，即DFA。在Trie树中，每个节点表示一个状态，每条边表示一个字符，从根节点到叶子节点经过的边即表示一个词条。查找一个词条最多耗费的时间只受词条长度影响，因此Trie的查找性能是很高的，跟哈希算法的性能相当。

上面实际保存了

abcd

abd

b

bcd

efg

hij

特点:

所有词条的公共前缀只存储一份
只需遍历一次待检测文本
查找消耗时间只跟待检测文本长度有关, 跟字典大小无关

存储结构

PHP

在PHP中, 可以很方便地使用数组来存储树形结构, 以以下敏感词字典为例:

大*

大傻

*

↑ 内容纯粹是为了举例...游戏聊天日常屏蔽内容

则存储结构为

{

    "大": {

        "傻": {

            "end": true

            "子": {

                "end": true

            }

        }

    },

    "傻": {

        "子": {

            "end": true

        },

    }

}

其他语言

简单点的可以考虑使用 HashMap 之类的来实现

或者参考这篇文章 , 使用 Four-Array Trie，Triple-Array Trie和Double-Array Trie 结构来设计(名称与内部使用的数组个数有关)

字符串分割

无论是在构造字典树或过滤敏感文本时, 都需要将其分割, 需要考虑到unicode字符

有一个简单的方法:

$str = "a笨蛋123";	// 待分割的文本

$arr = preg_split("//u", $str, -1, PREG_SPLIT_NO_EMPTY);	// 分割后的文本

// 输出

array(6) {

  [0]=>

  string(1) "a"

  [1]=>

  string(3) "笨"

  [2]=>

  string(3) "蛋"

  [3]=>

  string(1) "1"

  [4]=>

  string(1) "2"

  [5]=>

  string(1) "3"

}

匹配规则需加 u修饰符, /u表示按unicode(utf-8)匹配（主要针对多字节比如汉字）, 否则会无法正常工作, 如下示例 ↓

$str = "a笨蛋123";	// 待分割的文本

$arr = preg_split("//", $str, -1, PREG_SPLIT_NO_EMPTY);	// 分割后的文本

// array(10) {

  [0]=>

  string(1) "a"

  [1]=>

  string(1) "�"

  [2]=>

  string(1) "�"

  [3]=>

  string(1) "�"

  [4]=>

  string(1) "�"

  [5]=>

  string(1) "�"

  [6]=>

  string(1) "�"

  [7]=>

  string(1) "1"

  [8]=>

  string(1) "2"

  [9]=>

  string(1) "3"

}

示例代码 php

构建:

1. 分割敏感词

2. 逐个将分割后的次添加到树中

使用:

分割待处理词句
从Trie树根节点开始逐个匹配

class SensitiveWordFilter

{

    protected $dict;

    protected $dictFile;

    /**

     * @param string $dictFile 字典文件路径, 每行一句

     */

    public function __construct($dictFile)

    {

        $this->dictFile = $dictFile;

        $this->dict = [];

    }

    public function loadData($cache = true)

    {

        $memcache = new Memcache();

        $memcache->pconnect("127.0.0.1", 11212);

        $cacheKey = __CLASS__ . "_" . md5($this->dictFile);

        if ($cache && false !== ($this->dict = $memcache->get($cacheKey))) {

             return;

        }

        $this->loadDataFromFile();

        if ($cache) {

            $memcache->set($cacheKey, $this->dict, null, 3600);

        }

    }

    /**

     * 从文件加载字典数据, 并构建 trie 树

     */

    public function loadDataFromFile()

    {

        $file = $this->dictFile;

        if (!file_exists($file)) {

            throw new InvalidArgumentException("字典文件不存在");

        }

        $handle = @fopen($file, "r");

        if (!is_resource($handle)) {

            throw new RuntimeException("字典文件无法打开");

        }

        while (!feof($handle)) {

            $line = fgets($handle);

            if (empty($line)) {

                continue;

            }

            $this->addWords(trim($line));

        }

        fclose($handle);

    }

    /**

     * 分割文本(注意ascii占1个字节, unicode...)

     *

     * @param string $str

     *

     * @return string[]

     */

    protected function splitStr($str)

    {

        return preg_split("//u", $str, -1, PREG_SPLIT_NO_EMPTY);

    }

    /**

     * 往dict树中添加语句

     *

     * @param $wordArr

     */

    protected function addWords($words)

    {

        $wordArr = $this->splitStr($words);

        $curNode = &$this->dict;

        foreach ($wordArr as $char) {

            if (!isset($curNode)) {

                $curNode[$char] = [];

            }

            $curNode = &$curNode[$char];

        }

        // 标记到达当前节点完整路径为"敏感词"

        $curNode['end']++;

    }

    /**

     * 过滤文本

     *

     * @param string $str 原始文本

     * @param string $replace 敏感字替换字符

     * @param int    $skipDistance 严格程度: 检测时允许跳过的间隔

     *

     * @return string 返回过滤后的文本

     */

    public function filter($str, $replace = '*', $skipDistance = 0)

    {

        $maxDistance = max($skipDistance, 0) + 1;

        $strArr = $this->splitStr($str);

        $length = count($strArr);

        for ($i = 0; $i < $length; $i++) {

            $char = $strArr[$i];

            if (!isset($this->dict[$char])) {

                continue;

            }

            $curNode = &$this->dict[$char];

            $dist = 0;

            $matchIndex = [$i];

            for ($j = $i + 1; $j < $length && $dist < $maxDistance; $j++) {

                if (!isset($curNode[$strArr[$j]])) {

                    $dist ++;

                    continue;

                }

                $matchIndex[] = $j;

                $curNode = &$curNode[$strArr[$j]];

            }

            // 匹配

            if (isset($curNode['end'])) {

//                Log::Write("match ");

                foreach ($matchIndex as $index) {

                    $strArr[$index] = $replace;

                }

                $i = max($matchIndex);

            }

        }

        return implode('', $strArr);

    }

    /**

     * 确认所给语句是否为敏感词

     *

     * @param $strArr

     *

     * @return bool|mixed

     */

    public function isMatch($strArr)

    {

        $strArr = is_array($strArr) ? $strArr : $this->splitStr($strArr);

        $curNode = &$this->dict;

        foreach ($strArr as $char) {

            if (!isset($curNode[$char])) {

                return false;

            }

        }

//        return $curNode['end'] ?? false;  // php 7

        return isset($curNode['end']) ? $curNode['end'] : false;

    }

}

字典文件示例:

敏感词1

敏感词2

敏感词3

...

使用示例:

$filter = new SensitiveWordFilter(PATH_APP . '/config/dirty_words.txt');

$filter->loadData()

$filter->filter("测试123文本",'*', 2)

优化

缓存字典树

原始敏感词文件大小: 194KB(约20647行)

生成字典树后占用内存(约): 7MB

构建字典树消耗时间: 140ms+ !!!

php 的内存占用这点...先放着

构建字典树消耗时间这点是可以优化的: 缓存!

由于php脚本不是常驻内存类型, 每次新的请求到来时都需要构建字典树.

我们通过将生成好的字典树数组缓存(memcached 或 redis), 在后续请求中每次都从缓存中读取, 可以大大提高性能.

经过测试, 构建字典树的时间从 140ms+ 降低到 6ms 不到,

注意:

memcached 默认会自动序列化缓存的数组(serialize), 取出时自动反序列化(unserialize)
若是redis, 则需要手动, 可选择 json 存取

序列化上述生成的Trie数组后的字符长度:

serialize: 426KB
json: 241KB

提示: 因此若整个字典过大, 导致存入memcached时超出单个value大小限制时(默认是1M), 可以考虑手动 json 序列化数组再保存.

↑ ...刚发现memcache存入value时提供压缩功能, 可以考虑使用

常驻服务

若是将过滤敏感字功能独立为一个常驻内存的服务, 则构建字典树这个过程只需要1次, 后续值需要处理过滤文本的请求即可.

如果是PHP, 可以考虑使用 Swoole

由于项目当前敏感词词库仅2W条左右, 而且访问瓶颈并不在此, 因此暂时使用上述方案.

ab测试时单个

若是词库达上百万条, 那估计得考虑一下弄成常驻内存的服务了

这里有一篇文章测试了使用 Swoole(swoole_http_server) + trie-filter 扩展, 词库量级200W

参考文章

c++ 使用map实现Trie树
关键词过滤扩展，用于检查一段文本中是否出现敏感词，基于Double-Array Trie 树实现

↑ 现成的php扩展, 同时支持 php5、php7
从Trie到Double Array Trie

↑ 深入浅出讲解
前缀树匹配 Double Array Trie
trie_filter扩展 + swoole 实现敏感词过滤

↑ 简单的php高性能实现方式

秒客网