DFA算法简介

Java实现DFA算法实现敏感词过滤

测试方法

创建DFAMap

根据DFAMap进行检验

完整代码

与前缀树的类似与不同

类似

不同

复杂度

DFA算法简介

在实现文字过滤的算法中，DFA是唯一比较好的实现算法。DFA即Deterministic Finite Automaton，也就是确定有穷自动机，它是是通过event和当前的state得到下一个state，即event+state=nextstate。下图展示了其状态的转换

DFA，全称 Deterministic Finite Automaton 即确定有穷自动机：从一个状态通过一系列的事件转换到另一个状态，即 state -> event -> state。

确定：状态以及引起状态转换的事件都是可确定的，不存在“意外”。

有穷：状态以及事件的数量都是可穷举的。

我们可以将每个文本片段作为状态，例如“匹配关键词”可拆分为“匹”、“匹配”、“匹配关”、“匹配关键”和“匹配关键词”五个文本片段。

【过程】：

初始状态为空，当触发事件“匹”时转换到状态“匹”；

触发事件“配”，转换到状态“匹配”；

依次类推，直到转换为最后一个状态“匹配关键词”。

再让我们考虑多个关键词的情况，例如“匹配算法”、“匹配关键词”以及“信息抽取”。

在实现敏感词过滤的算法中，我们必须要减少运算，而DFA在DFA算法中几乎没有什么计算，有的只是状态的转换。

Java实现DFA算法实现敏感词过滤

测试方法

package algorithm.string.dfa;import java.util.HashSet;
import java.util.List;
import java.util.Set;public class Main {public static void main(String[] args) {Set<String> set=new HashSet<>();set.add("大中华");set.add("大中华帝国");set.add("大汉民族");set.add("日本人");set.add("日本鬼子");DFAUtil dfa=new DFAUtil();dfa.createDFAHashMap(set);Set<String> result=dfa.getSensitiveWordByDFAMap("大中华帝国和日本人",1);System.out.println("敏感词有"+result.size()+"个");for(String string:result){System.out.println("违背敏感词："+string);}}}

创建DFAMap

在Java中实现敏感词过滤的关键就是DFA算法的实现。首先我们对上图进行剖析。在这过程中我们认为下面这种结构会更加清晰明了。

同时这里没有状态转换，没有动作，有的只是Query（查找）。我们可以认为，通过S query U、V，通过U query V、P，通过V query U P。通过这样的转变我们可以将状态的转换转变为使用Java集合的查找。

诚然，加入在我们的敏感词库中存在如下几个敏感词：日本人、日本鬼子、毛.泽.东。那么我需要构建成一个什么样的结构呢？

首先：query 日 ---> {本}、query 本 --->{人、鬼子}、query 人 --->{null}、query 鬼 ---> {子}。形如下结构：

下面我们在对这图进行扩展：

这样我们就将我们的敏感词库构建成了一个类似与一颗一颗的树，这样我们判断一个词是否为敏感词时就大大减少了检索的匹配范围。比如我们要判断日本人，根据第一个字我们就可以确认需要检索的是那棵树，然后再在这棵树中进行检索。

但是如何来判断一个敏感词已经结束了呢？利用标识位来判断。

所以对于这个关键是如何来构建一棵棵这样的敏感词树。下面我已Java中的HashMap为例来实现DFA算法。具体过程如下：

日本人，日本鬼子为例

1、在hashMap中查询“日”看其是否在hashMap中存在，如果不存在，则证明已“日”开头的敏感词还不存在，则我们直接构建这样的一棵树。跳至3。

2、如果在hashMap中查找到了，表明存在以“日”开头的敏感词，设置hashMap = hashMap.get("日")，跳至1，依次匹配“本”、“人”。

3、判断该字是否为该词中的最后一个字。若是表示敏感词结束，设置标志位isEnd = 1，否则设置标志位isEnd = 0；

程序实现如下：

注意：本文的编写和代码的编写参考了https://blog.csdn.net/chenssy/article/details/26961957

但是在代码上对它进行了改进，修复了几个bug

	/*{日=* 	{本=* 		{人={isEnd=1}, * 		鬼=* 			{子={isEnd=1}, * 			isEnd=0}, * 		isEnd=0}, * 	isEnd=0}, * * 大=* 	{汉=* 		{民={isEnd=0, * 			族={isEnd=1}}, * 		isEnd=0}, * 	isEnd=0, * 	中={isEnd=0, * 		华={isEnd=1, * 			帝={isEnd=0, * 				国={isEnd=1}}}}}}*//**set作为敏感词，创建出对应的dfa的Map，以供检验敏感词* @param set*/public void createDFAHashMap(Set<String> set){HashMap<String, Object> nowMap;//根据set的大小，创建map的大小dfaMap=new HashMap<>(set.size());//对set里的字符串进行循环for(String key:set){//对每个字符串最初，nowMap就是dfaMapnowMap=dfaMap;			for(int i=0;i<key.length();i++){//一个个字符循环String nowChar=String.valueOf(key.charAt(i));//根据nowChar得到nowMap里面对应的valueHashMap<String, Object> map=(HashMap<String, Object>)nowMap.get(nowChar);//如果map为空，则说明nowMap里面没有以nowChar开头的东西，则创建一个新的hashmap，//以nowChar为key，新的map为value，放入nowMapif(map==null){map=new HashMap<String,Object>();nowMap.put(nowChar, map);}		//nowMap=map，就是nowChar对应的对象nowMap=map;//最后在nowMap里设置isEnd//如果nowMap里面已经有isEnd，并且为1，说明以前已经有关键字了，就不再设置isEnd//因为如果没有这一步，大中华和大中华帝国，先设置大中华//在大中华帝国设置的时候，华对应的map有isEnd=1，如果这时对它覆盖，就会isEnd=0，导致大中华这个关键字失效if(nowMap.containsKey("isEnd")&&nowMap.get("isEnd").equals("1")){continue;}				if(i!=key.length()-1){nowMap.put("isEnd", "0");}else{nowMap.put("isEnd", "1");}								}						}System.out.println(dfaMap);}

得到的结果是

{日={本={人={isEnd=1}, 鬼={子={isEnd=1}, isEnd=0}, isEnd=0}, isEnd=0}, 大={汉={民={isEnd=0, 族={isEnd=1}}, isEnd=0}, isEnd=0, 中={isEnd=0, 华={isEnd=1, 帝={isEnd=0, 国={isEnd=1}}}}}}
具体可以看上面的注释

根据DFAMap进行检验

敏感词库我们一个简单的方法给实现了，那么如何实现检索呢？检索过程无非就是hashMap的get实现，找到就证明该词为敏感词，否则不为敏感词。过程如下：假如我们匹配“中国人民万岁”。

1、第一个字“中”，我们在hashMap中可以找到。得到一个新的map = hashMap.get("")。

2、如果map == null，则不是敏感词。否则跳至3

3、获取map中的isEnd，通过isEnd是否等于1来判断该词是否为最后一个。如果isEnd == 1表示该词为敏感词，更新resultLength否则跳至1。

通过这个步骤我们可以判断“中国人民”为敏感词，但是如果我们输入“中国女人”则不是敏感词了。

        HashMap<String, Object> dfaMap;public static final int minMatchType=1;public static final int maxMatchType=2;/** 用创建的dfaMap，根据matchType检验字符串string是否包含敏感词，返回包含所有对于敏感词的set* @param string 要检查是否有敏感词在内的字符串* @param matchType 检查类型，如大中华帝国牛逼对应大中华和大中华帝国两个关键字，1为最小检查，会检查出大中华，2位最大，会检查出大中华帝国	* @return*/public Set<String> getSensitiveWordByDFAMap(String string,int matchType){Set<String> set=new HashSet<>();for(int i=0;i<string.length();i++){//matchType是针对同一个begin的后面，在同一个begin匹配最长的还是最短的敏感词int length=getSensitiveLengthByDFAMap(string,i,matchType);if(length>0){set.add(string.substring(i,i+length));//这个对应的是一个敏感词内部的关键字（不包括首部），如果加上，大中华帝国，对应大中华和中华两个敏感词，只会对应大中华而不是两个//i=i+length-1;//减1的原因，是因为for会自增}}		return set;}/**如果存在，则返回敏感词字符的长度，不存在返回0* @param string* @param beginIndex* @param matchType  1：最小匹配规则，2：最大匹配规则* @return*/public int getSensitiveLengthByDFAMap(String string,int beginIndex,int matchType){//当前匹配的长度int nowLength=0;//最终匹配敏感词的长度，因为匹配规则2，如果大中华帝，对应大中华，大中华帝国，在华的时候，nowLength=3，因为是最后一个字，将nowLenth赋给resultLength//然后在帝的时候，now=4，result=3，然后不匹配，resultLength就是上一次最大匹配的敏感词的长度int resultLength=0;HashMap<String, Object> nowMap=dfaMap;for(int i=beginIndex;i<string.length();i++){String nowChar=String.valueOf(string.charAt(i));//根据nowChar得到对应的map，并赋值给nowMapnowMap=(HashMap<String, Object>)nowMap.get(nowChar);//nowMap里面没有这个char，说明不匹配，直接返回if(nowMap==null){break;}else{nowLength++;//如果现在是最后一个，更新resultLengthif("1".equals(nowMap.get("isEnd"))){resultLength=nowLength;//如果匹配模式是最小，直接匹配到，退出//匹配模式是最大，则继续匹配，resultLength保留上一次匹配到的lengthif(matchType==minMatchType){break;}}}}		return resultLength;}

这里的改进是

取消了i的直接增加

				//这个对应的是一个敏感词内部的关键字（不包括首部），如果加上，大中华帝国，对应大中华和中华两个敏感词，只会对应大中华而不是两个//i=i+length-1;//减1的原因，是因为for会自增

加入了resultLength

		//最终匹配敏感词的长度，因为匹配规则2，如果大中华帝，对应大中华，大中华帝国，在华的时候，nowLength=3，因为是最后一个字，将nowLenth赋给resultLength//然后在帝的时候，now=4，result=3，然后不匹配，resultLength就是上一次最大匹配的敏感词的长度int resultLength=0;

这里面字符串为大中华帝国和日本人

如果最小匹配，对应

敏感词有2个
违背敏感词：大中华
违背敏感词：日本人

最大匹配，对应

敏感词有2个
违背敏感词：大中华帝国
违背敏感词：日本人

完整代码

package algorithm.string.dfa;import java.util.HashMap;
import java.util.HashSet;
import java.util.List;
import java.util.Set;public class DFAUtil {HashMap<String, Object> dfaMap;public static final int minMatchType=1;public static final int maxMatchType=2;/*{日=* 	{本=* 		{人={isEnd=1}, * 		鬼=* 			{子={isEnd=1}, * 			isEnd=0}, * 		isEnd=0}, * 	isEnd=0}, * * 大=* 	{汉=* 		{民={isEnd=0, * 			族={isEnd=1}}, * 		isEnd=0}, * 	isEnd=0, * 	中={isEnd=0, * 		华={isEnd=1, * 			帝={isEnd=0, * 				国={isEnd=1}}}}}}*/	/**set作为敏感词，创建出对应的dfa的Map，以供检验敏感词* @param set*/public void createDFAHashMap(Set<String> set){HashMap<String, Object> nowMap;//根据set的大小，创建map的大小dfaMap=new HashMap<>(set.size());//对set里的字符串进行循环for(String key:set){//对每个字符串最初，nowMap就是dfaMapnowMap=dfaMap;			for(int i=0;i<key.length();i++){//一个个字符循环String nowChar=String.valueOf(key.charAt(i));//根据nowChar得到nowMap里面对应的valueHashMap<String, Object> map=(HashMap<String, Object>)nowMap.get(nowChar);//如果map为空，则说明nowMap里面没有以nowChar开头的东西，则创建一个新的hashmap，//以nowChar为key，新的map为value，放入nowMapif(map==null){map=new HashMap<String,Object>();nowMap.put(nowChar, map);}		//nowMap=map，就是nowChar对应的对象nowMap=map;//最后在nowMap里设置isEnd//如果nowMap里面已经有isEnd，并且为1，说明以前已经有关键字了，就不再设置isEnd//因为如果没有这一步，大中华和大中华帝国，先设置大中华//在大中华帝国设置的时候，华对应的map有isEnd=1，如果这时对它覆盖，就会isEnd=0，导致大中华这个关键字失效if(nowMap.containsKey("isEnd")&&nowMap.get("isEnd").equals("1")){continue;}				if(i!=key.length()-1){nowMap.put("isEnd", "0");}else{nowMap.put("isEnd", "1");}								}						}System.out.println(dfaMap);}/** 用创建的dfaMap，根据matchType检验字符串string是否包含敏感词，返回包含所有对于敏感词的set* @param string 要检查是否有敏感词在内的字符串* @param matchType 检查类型，如大中华帝国牛逼对应大中华和大中华帝国两个关键字，1为最小检查，会检查出大中华，2位最大，会检查出大中华帝国	* @return*/public Set<String> getSensitiveWordByDFAMap(String string,int matchType){Set<String> set=new HashSet<>();for(int i=0;i<string.length();i++){//matchType是针对同一个begin的后面，在同一个begin匹配最长的还是最短的敏感词int length=getSensitiveLengthByDFAMap(string,i,matchType);if(length>0){set.add(string.substring(i,i+length));//这个对应的是一个敏感词内部的关键字（不包括首部），如果加上，大中华帝国，对应大中华和中华两个敏感词，只会对应大中华而不是两个//i=i+length-1;//减1的原因，是因为for会自增}}		return set;}/**如果存在，则返回敏感词字符的长度，不存在返回0* @param string* @param beginIndex* @param matchType  1：最小匹配规则，2：最大匹配规则* @return*/public int getSensitiveLengthByDFAMap(String string,int beginIndex,int matchType){//当前匹配的长度int nowLength=0;//最终匹配敏感词的长度，因为匹配规则2，如果大中华帝，对应大中华，大中华帝国，在华的时候，nowLength=3，因为是最后一个字，将nowLenth赋给resultLength//然后在帝的时候，now=4，result=3，然后不匹配，resultLength就是上一次最大匹配的敏感词的长度int resultLength=0;HashMap<String, Object> nowMap=dfaMap;for(int i=beginIndex;i<string.length();i++){String nowChar=String.valueOf(string.charAt(i));//根据nowChar得到对应的map，并赋值给nowMapnowMap=(HashMap<String, Object>)nowMap.get(nowChar);//nowMap里面没有这个char，说明不匹配，直接返回if(nowMap==null){break;}else{nowLength++;//如果现在是最后一个，更新resultLengthif("1".equals(nowMap.get("isEnd"))){resultLength=nowLength;//如果匹配模式是最小，直接匹配到，退出//匹配模式是最大，则继续匹配，resultLength保留上一次匹配到的lengthif(matchType==minMatchType){break;}}}}		return resultLength;}
}