项目背景

对于用户发表的内容，我们通常要做一些敏感词的检测，如果敏感词规模很小，逐个词进行 Search 也没啥大问题；但如果敏感词规模很大，并且会逐渐积累，那么就需要一种新的算法来提高检测效率。

实现原理

采用红黑树来存储敏感词汇列表，采用全分词算法来检测敏感词。

项目安装

>> wget "http://pysoft.googlecode.com/files/filter_keywords-0.1.tar.gz">> tar -zxf http://pysoft.googlecode.com/files/filter_keywords-0.1.tar.gz>> cd filter_keywords-0.1>> python setup.py install

使用样例

>> import filter_keywords>> dir(filter_keywords)['FkwDict', '__doc__', '__file__', '__name__', 'filter_keywords', 'fkw_full_seg']

创建字典

>> from filter_keywords import FkwDict>> fkw_dict = FkwDict(10)    # 参数为 Hash 的大小，可根据关键词规模自行调整>> dir(fkw_dict)['__class__', '__delattr__', '__doc__', '__getattribute__', '__hash__', '__init__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__str__', 'add_word', 'load_dict', 'search_word']

添加一个关键词

>> fkw_dict.add_word(u"叮当猫".encode("utf-8"))  # 只接受 utf-8 编码，内部不做编码检测>> fkw_dict.search_word(u"叮当猫".encode("utf-8")) True>> fkw_dict.search_word(u"叮当猫2".encode("utf-8")) False

加载字典文件

fkw_dict.load_dict("src/word.txt") # 字典文件只接受 utf-8 编码，每行一个关键词print fkw_dict.search_word(u'世界'.encode("utf-8"))

注: 网上收集了一个字典文件，下载地址如下:

敏感词检测

text = u"工信处女干事每月经过下属科室都要亲口交代24口交换机等技术性器件的安装工作 "result = filter_keywords(fkw_dict, text.encode("utf-8"))print " ".join([unicode(item, "utf-8").encode("GBK") for item in result])

检测结果

工信 处女 干事 每月 月经 经过 下属 科室 都要 亲口 口交 交代 口交 交换 交换机 技术 技术性 性器 器件 安装 工作

其它信息

被你看出来了，其实，我是做分词的，全分词算法 函数 filter_keywords 只是 fkw_full_seg 的 alias。

使用 mem_collector 管理内存，红黑树存储字典条目，经 Valgrind 检测，无内存泄漏。 欢迎下载试用，有问题麻烦及时反馈，谢谢。

注：mem_collector 项目

C 语言接口，请参照 src/test.c 文件。