溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這期內容當中小編將會給大家帶來有關Serverless如何實現文本敏感詞過濾，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。
敏感詞過濾是隨著互聯網社區發展一起發展起來的一種阻止網絡犯罪和網絡暴力的技術手段，通過對可能存在犯罪或網絡暴力可能的關鍵詞進行有針對性的篩查和屏蔽，很多時候我們能夠防患于未然，把后果嚴重的犯罪行為扼殺于萌芽之中。
隨著各種社交平臺等的日益火爆，敏感詞過濾逐漸成了非常重要的也是值得重視的功能。那么在 Serverless 架構下，通過Python 語言，敏感詞過濾又有那些新的實現呢？我們能否是用最簡單的方法，實現一個敏感詞過濾的API呢？
如果說敏感詞過濾，其實不如說是文本的替換，以Python為例，說到詞匯替換，不得不想到replace，我們可以準備一個敏感詞庫，然后通過replace進行敏感詞替換:
def worldFilter(keywords, text):
for eve in keywords:
text = text.replace(eve, "***")
return text
keywords = ("關鍵詞1", "關鍵詞2", "關鍵詞3")
content = "這是一個關鍵詞替換的例子，這里涉及到了關鍵詞1還有關鍵詞2，最后還會有關鍵詞3。"
print(worldFilter(keywords, content))但是動動腦大家就會發現，這種做法在文本和敏感詞庫非常龐大的前提下，會有很嚴重的性能問題。例如我將代碼進行修改，進行基本的性能測試：
import time def worldFilter(keywords, text): for eve in keywords: text = text.replace(eve, "***") return text keywords =[ "關鍵詞" + str(i) for i in range(0,10000)] content = "這是一個關鍵詞替換的例子，這里涉及到了關鍵詞1還有關鍵詞2，最后還會有關鍵詞3。" * 1000 startTime = time.time() worldFilter(keywords, content) print(time.time()-startTime)
此時的輸出結果是：0.12426114082336426，可以看到性能非常差。
與其用replace，還不如通過正則表達re.sub來的更加快速。
import time
import re
def worldFilter(keywords, text):
return re.sub("|".join(keywords), "***", text)
keywords =[ "關鍵詞" + str(i) for i in range(0,10000)]
content = "這是一個關鍵詞替換的例子，這里涉及到了關鍵詞1還有關鍵詞2，最后還會有關鍵詞3。" * 1000
startTime = time.time()
worldFilter(keywords, content)
print(time.time()-startTime)我們同樣增加性能測試，按照上面的方法進行改造測試，輸出結果是0.24773502349853516。通過這樣的例子，我們可以發現，其性能磣韓劇并不大，但是實際上隨著文本量增加，正則表達這種做法在性能層面會變高很多。
這種方法相對來說效率會更高一些。例如，我們認為壞人，壞孩子，壞蛋是敏感詞，則他們的樹關系可以表達：
用DFA字典來表示：
{
'壞': {
'蛋': {
'\x00': 0
},
'人': {
'\x00': 0
},
'孩': {
'子': {
'\x00': 0
}
}
}
}使用這種樹表示問題最大的好處就是可以降低檢索次數，提高檢索效率，基本代碼實現：
import time
class DFAFilter(object):
def __init__(self):
self.keyword_chains = {} # 關鍵詞鏈表
self.delimit = '\x00' # 限定
def parse(self, path):
with open(path, encoding='utf-8') as f:
for keyword in f:
chars = str(keyword).strip().lower() # 關鍵詞英文變為小寫
if not chars: # 如果關鍵詞為空直接返回
return
level = self.keyword_chains
for i in range(len(chars)):
if chars[i] in level:
level = level[chars[i]]
else:
if not isinstance(level, dict):
break
for j in range(i, len(chars)):
level[chars[j]] = {}
last_level, last_char = level, chars[j]
level = level[chars[j]]
last_level[last_char] = {self.delimit: 0}
break
if i == len(chars) - 1:
level[self.delimit] = 0
def filter(self, message, repl="*"):
message = message.lower()
ret = []
start = 0
while start < len(message):
level = self.keyword_chains
step_ins = 0
for char in message[start:]:
if char in level:
step_ins += 1
if self.delimit not in level[char]:
level = level[char]
else:
ret.append(repl * step_ins)
start += step_ins - 1
break
else:
ret.append(message[start])
break
else:
ret.append(message[start])
start += 1
return ''.join(ret)
gfw = DFAFilter()
gfw.parse( "./sensitive_words")
content = "這是一個關鍵詞替換的例子，這里涉及到了關鍵詞1還有關鍵詞2，最后還會有關鍵詞3。" * 1000
startTime = time.time()
result = gfw.filter(content)
print(time.time()-startTime)這里我們的字典庫是：
with open("./sensitive_words", 'w') as f:
f.write("\n".join( [ "關鍵詞" + str(i) for i in range(0,10000)]))執行結果：
0.06450581550598145
可以看到性能進一步提升。
接下來，我們來看一下 AC自動機過濾敏感詞算法：
AC自動機：一個常見的例子就是給出n個單詞，再給出一段包含m個字符的文章，讓你找出有多少個單詞在文章里出現過。
簡單地講，AC自動機就是字典樹+kmp算法+失配指針
代碼實現：
import time
class Node(object):
def __init__(self):
self.next = {}
self.fail = None
self.isWord = False
self.word = ""
class AcAutomation(object):
def __init__(self):
self.root = Node()
# 查找敏感詞函數
def search(self, content):
p = self.root
result = []
currentposition = 0
while currentposition < len(content):
word = content[currentposition]
while word in p.next == False and p != self.root:
p = p.fail
if word in p.next:
p = p.next[word]
else:
p = self.root
if p.isWord:
result.append(p.word)
p = self.root
currentposition += 1
return result
# 加載敏感詞庫函數
def parse(self, path):
with open(path, encoding='utf-8') as f:
for keyword in f:
temp_root = self.root
for char in str(keyword).strip():
if char not in temp_root.next:
temp_root.next[char] = Node()
temp_root = temp_root.next[char]
temp_root.isWord = True
temp_root.word = str(keyword).strip()
# 敏感詞替換函數
def wordsFilter(self, text):
"""
:param ah: AC自動機
:param text: 文本
:return: 過濾敏感詞之后的文本
"""
result = list(set(self.search(text)))
for x in result:
m = text.replace(x, '*' * len(x))
text = m
return text
acAutomation = AcAutomation()
acAutomation.parse('./sensitive_words')
startTime = time.time()
print(acAutomation.wordsFilter("這是一個關鍵詞替換的例子，這里涉及到了關鍵詞1還有關鍵詞2，最后還會有關鍵詞3。"*1000))
print(time.time()-startTime)詞庫同樣是：
with open("./sensitive_words", 'w') as f:
f.write("\n".join( [ "關鍵詞" + str(i) for i in range(0,10000)]))使用上面的方法，測試結果為0.017391204833984375。
可以看到這個所有算法中，在上述的基本算法中DFA過濾敏感詞性能最高，但是實際上，對于后兩者算法，并沒有誰一定更好，可能某些時候，AC自動機過濾敏感詞算法會得到更高的性能，所以在生產生活中，推薦時候用兩者，可以根據自己的具體業務需要來做。
將代碼部署到Serverless架構上，可以選擇API網關與函數計算進行結合，以AC自動機過濾敏感詞算法為例：我們只需要增加是幾行代碼就好，完整代碼如下：
# -*- coding:utf-8 -*-
import json, uuid
class Node(object):
def __init__(self):
self.next = {}
self.fail = None
self.isWord = False
self.word = ""
class AcAutomation(object):
def __init__(self):
self.root = Node()
# 查找敏感詞函數
def search(self, content):
p = self.root
result = []
currentposition = 0
while currentposition < len(content):
word = content[currentposition]
while word in p.next == False and p != self.root:
p = p.fail
if word in p.next:
p = p.next[word]
else:
p = self.root
if p.isWord:
result.append(p.word)
p = self.root
currentposition += 1
return result
# 加載敏感詞庫函數
def parse(self, path):
with open(path, encoding='utf-8') as f:
for keyword in f:
temp_root = self.root
for char in str(keyword).strip():
if char not in temp_root.next:
temp_root.next[char] = Node()
temp_root = temp_root.next[char]
temp_root.isWord = True
temp_root.word = str(keyword).strip()
# 敏感詞替換函數
def wordsFilter(self, text):
"""
:param ah: AC自動機
:param text: 文本
:return: 過濾敏感詞之后的文本
"""
result = list(set(self.search(text)))
for x in result:
m = text.replace(x, '*' * len(x))
text = m
return text
def response(msg, error=False):
return_data = {
"uuid": str(uuid.uuid1()),
"error": error,
"message": msg
}
print(return_data)
return return_data
acAutomation = AcAutomation()
path = './sensitive_words'
acAutomation.parse(path)
def main_handler(event, context):
try:
sourceContent = json.loads(event["body"])["content"]
return response({
"sourceContent": sourceContent,
"filtedContent": acAutomation.wordsFilter(sourceContent)
})
except Exception as e:
return response(str(e), True)最后，為了方便本地測試，我們可以增加：
def test():
event = {
"requestContext": {
"serviceId": "service-f94sy04v",
"path": "/test/{path}",
"httpMethod": "POST",
"requestId": "c6af9ac6-7b61-11e6-9a41-93e8deadbeef",
"identity": {
"secretId": "abdcdxxxxxxxsdfs"
},
"sourceIp": "14.17.22.34",
"stage": "release"
},
"headers": {
"Accept-Language": "en-US,en,cn",
"Accept": "text/html,application/xml,application/json",
"Host": "service-3ei3tii4-251000691.ap-guangzhou.apigateway.myqloud.com",
"User-Agent": "User Agent String"
},
"body": "{\"content\":\"這是一個測試的文本，我也就呵呵了\"}",
"pathParameters": {
"path": "value"
},
"queryStringParameters": {
"foo": "bar"
},
"headerParameters": {
"Refer": "10.0.2.14"
},
"stageVariables": {
"stage": "release"
},
"path": "/test/value",
"queryString": {
"foo": "bar",
"bob": "alice"
},
"httpMethod": "POST"
}
print(main_handler(event, None))
if __name__ == "__main__":
test()完成之后，我們就可以測試運行一下，例如我的字典是：
呵呵 測試
執行之后結果：
{'uuid': '9961ae2a-5cfc-11ea-a7c2-acde48001122', 'error': False, 'message': {'sourceContent': '這是一個測試的文本，我也就呵呵了', 'filtedContent': '這是一個**的文本，我也就**了'}}接下來，我們將代碼部署到云端，新建serverless.yaml:
sensitive_word_filtering: component: "@serverless/tencent-scf" inputs: name: sensitive_word_filtering codeUri: ./ exclude: - .gitignore - .git/** - .serverless - .env handler: index.main_handler runtime: Python3.6 region: ap-beijing description: 敏感詞過濾 memorySize: 64 timeout: 2 events: - apigw: name: serverless parameters: environment: release endpoints: - path: /sensitive_word_filtering description: 敏感詞過濾 method: POST enableCORS: true param: - name: content position: BODY required: 'FALSE' type: string desc: 待過濾的句子
然后通過sls --debug進行部署，部署結果：
最后，通過PostMan進行測試：
敏感詞過濾是目前非常常見的需求/技術，通過敏感詞過濾，我們可以在一定程度上降低惡意言語或者違規言論的出現，在上述實踐過程，有以下兩點內容：
對于敏感詞庫額獲得問題：Github上有很多，可以自行搜索下載，因為敏感詞詞庫里面有很多敏感詞，所以我也不能直接放在這個上面供大家使用，所以還需要大家自行在Github上搜索使用；
這個API使用場景的問題：完全可以放在我們的社區跟帖系統/留言評論系統/博客發布系統中，防止出現敏感詞匯，可以降低不必要的麻煩出現。
上述就是小編為大家分享的Serverless如何實現文本敏感詞過濾了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
