过滤敏感词汇

问题描述：由于需求需要评论功能，但是评论功能是用户写上去的，用户提交的东西是不能相信的，需要过滤，防止录入攻击代码等等；
这里只介绍一个极简的过滤敏感字符串的方法；

我在写这个过滤字符串方法之前上网查过有没有开放的接口；找了找要么收费要么没有开源的接口；所以还是自己写一个吧；

 1 /**
 2  * @desc 匹配敏感词汇
 3  * @author weizenghui
 4  * @version 3.0
 5  * @param $content
 6  * @return array;
 7  */
 8 function filterText($content){
 9     $filterArr = array('习*平','李*强','尼玛','你妈','他妈','我曹','握草','窝草','我操','卧槽','傻逼','煞笔','麻痹','马蛋','鸡巴','我日','滚蛋','去他妈');
10     $arr = '';
11     foreach ($filterArr as $val){
12         $count = mb_substr_count($content,$val);
13         if($count > 0){
14             $arr[] = $val;
15         }
16     }
17     
18     if(empty($arr)){
19         $data = array('status' => false);    
20     }else{
21         $data = array('status' => true,'str' => implode(',', $arr));
22     }
23     return $data;
24 }

这个方法也许并不好效率很低，但是确实可以使用

下面介绍一个更加高效的思路，内容摘自互联网：

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。

安装步骤

下面的$LIB_PATH为依赖库安装目录，$INSTALL_PHP_PATH为PHP5安装目录。

安装libdatrie依赖库

Bash

$ tar zxvf libdatrie-0.2.4.tar.gz
$ cd libdatrie-0.2.4
$ make clean
$ ./configure --prefix=$LIB_PATH
$ make
$ make install

安装trie_filter扩展（https://github.com/wulijun/php-ext-trie-filter）

Bash

$ $INSTALL_PHP_PATH/bin/phpize
$ ./configure --with-php-config=$INSTALL_PHP_PATH/bin/php-config --with-trie_filter=$LIB_PATH
$ make
$ make install

然后修改php.ini，增加一行：extension=trie_filter.so，然后重启PHP。

PHP测试实例

PHP

<?php
ini_set('memory_limit', '512M');
$arrWord = file('dict.txt');

$resTrie = trie_filter_new();

foreach ($arrWord as $k => $v) {
    trie_filter_store($resTrie, $v);
}
trie_filter_save($resTrie, __DIR__ . '/blackword.tree');
$resTrie = trie_filter_load(__DIR__ . '/blackword.tree');

$str = '王玉鹏的媳妇叫刘敏，王玉鹏的邮箱地址是wangyupeng@jiayuan.com，想不想知道他的QQ号呢？';
$arrRet = trie_filter_search_all($resTrie, $str);

print_all($str, $arrRet);

function print_all($str, $res) {//print_r($res);
    echo "$str
";
    foreach ($res as $k => $v) {
        echo $k."=>{$v[0]}-{$v[1]}-".substr($str, $v[0], $v[1])."
";
    }
}

测试效果，输出格式（顺序值=>该敏感词出现的位置-该敏感词的长度-敏感词）

执行效率，高高高，超级高，速度非常快。

QQ截图20151016232103.png

注意事项

dict.txt 为敏感词库，一个词一行

QQ截图20151016230827.png

优化建议

把文本词库生成tree的过程需要时间，该步骤可以异步实现，过滤过程只需要加载tree即刻。

PHP需要5.2以上版本

https://github.com/wulijun/php-ext-trie-filter