Python敏感词检测方案详解

news2026/4/9 12:32:40
一、引言在互联网内容审核、社交平台监管、评论系统过滤等场景中敏感词检测是一项必不可少的功能。Python凭借其丰富的生态和简洁的语法提供了多种实现敏感词检测的方案。本文将详细介绍几种主流的实现方式并分析各自的优缺点及适用场景。二、基础方案关键词匹配2.1 直接遍历匹配最简单的实现方式是使用列表存储敏感词然后遍历检测pythonclass SimpleSensitiveWordFilter: def __init__(self): self.sensitive_words [] def add_words(self, words): self.sensitive_words.extend(words) def contains_sensitive_word(self, text): for word in self.sensitive_words: if word in text: return True return False def replace_sensitive_words(self, text, replace_char*): result text for word in self.sensitive_words: result result.replace(word, replace_char * len(word)) return result优点实现简单易于理解缺点效率低时间复杂度O(n*m)无法处理重叠匹配2.2 正则表达式匹配使用正则表达式可以更灵活地匹配敏感词pythonimport re class RegexSensitiveWordFilter: def __init__(self): self.pattern None def add_words(self, words): # 使用正则的 | 连接所有敏感词 pattern_str |.join(re.escape(word) for word in words) self.pattern re.compile(pattern_str, re.IGNORECASE) def contains_sensitive_word(self, text): return bool(self.pattern.search(text)) def find_all_sensitive_words(self, text): return self.pattern.findall(text) def replace_sensitive_words(self, text, replace_char*): def replace_func(match): return replace_char * len(match.group()) return self.pattern.sub(replace_func, text)优点支持复杂匹配规则代码简洁缺点敏感词数量大时性能下降正则表达式编译开销较大三、进阶方案前缀树Trie树3.1 原理介绍Trie树前缀树是一种专门用于字符串快速匹配的树形数据结构。它的核心思想是利用字符串的公共前缀来减少不必要的比较实现O(n)的时间复杂度。3.2 实现代码pythonclass TrieNode: __slots__ (children, is_end) def __init__(self): self.children {} self.is_end False class TrieSensitiveWordFilter: def __init__(self): self.root TrieNode() def add_word(self, word): 添加单个敏感词 node self.root for char in word: if char not in node.children: node.children[char] TrieNode() node node.children[char] node.is_end True def add_words(self, words): 批量添加敏感词 for word in words: self.add_word(word) def contains_sensitive_word(self, text): 检测是否包含敏感词 for i in range(len(text)): node self.root j i while j len(text) and text[j] in node.children: node node.children[text[j]] if node.is_end: return True j 1 return False def find_all_sensitive_words(self, text): 找出所有敏感词及位置 results [] for i in range(len(text)): node self.root j i while j len(text) and text[j] in node.children: node node.children[text[j]] if node.is_end: results.append({ word: text[i:j1], start: i, end: j }) j 1 return results def replace_sensitive_words(self, text, replace_char*): 替换敏感词 sensitive_positions self.find_all_sensitive_words(text) if not sensitive_positions: return text result list(text) for pos in sensitive_positions: for k in range(pos[start], pos[end] 1): result[k] replace_char return .join(result)3.3 优化版AC自动机AC自动机Aho-Corasick automaton在Trie树的基础上增加了失败指针实现多模式串的高效匹配pythonfrom collections import deque class AhoCorasickNode: __slots__ (children, fail, output) def __init__(self): self.children {} self.fail None self.output [] # 存储以此节点结尾的敏感词 class AhoCorasickFilter: def __init__(self): self.root AhoCorasickNode() self._built False def add_word(self, word): 添加敏感词 node self.root for char in word: if char not in node.children: node.children[char] AhoCorasickNode() node node.children[char] node.output.append(word) self._built False def add_words(self, words): for word in words: self.add_word(word) def _build_fail_pointers(self): 构建失败指针BFS queue deque() # 初始化第一层节点的失败指针 for char, child in self.root.children.items(): child.fail self.root queue.append(child) while queue: current queue.popleft() for char, child in current.children.items(): queue.append(child) # 寻找失败指针 fail_node current.fail while fail_node is not None and char not in fail_node.children: fail_node fail_node.fail if fail_node is None: child.fail self.root else: child.fail fail_node.children[char] # 合并输出 child.output.extend(child.fail.output) def search(self, text): 搜索文本中的所有敏感词 if not self._built: self._build_fail_pointers() self._built True result [] node self.root for i, char in enumerate(text): # 沿着失败指针查找匹配 while node is not self.root and char not in node.children: node node.fail if char in node.children: node node.children[char] else: node self.root # 收集匹配结果 for word in node.output: result.append({ word: word, position: i - len(word) 1 }) return result def contains_sensitive_word(self, text): return len(self.search(text)) 0 def replace_sensitive_words(self, text, replace_char*): matches self.search(text) if not matches: return text result list(text) for match in matches: start match[position] end start len(match[word]) for i in range(start, end): result[i] replace_char return .join(result)四、第三方库方案4.1 使用better_profanitypythonfrom better_profanity import profanity # 初始化 profanity.load_censor_words() # 检测 text You are a fool if profanity.contains_profanity(text): print(包含敏感词) # 替换 censored_text profanity.censor(text) print(censored_text) # You are a **** # 自定义敏感词库 custom_badwords [badword1, badword2] profanity.load_censor_words(custom_badwords)4.2 使用ahocorasick库pythonimport ahocorasick class PyAhocorasickFilter: def __init__(self): self.automaton ahocorasick.Automaton() self._built False def add_words(self, words): for idx, word in enumerate(words): self.automaton.add_word(word, (idx, word)) self._built False def build(self): self.automaton.make_automaton() self._built True def search(self, text): if not self._built: self.build() result [] for end_index, (idx, word) in self.automaton.iter(text): start_index end_index - len(word) 1 result.append({ word: word, start: start_index, end: end_index }) return result4.3 其他相关库库名特点适用场景profanity-check基于机器学习需要语义理解alt-profanity-check轻量级简单场景ngram-profanity支持模糊匹配变形词检测五、高级特性实现5.1 支持跳过干扰字符pythonclass AdvancedFilter: def __init__(self, skip_charsNone): self.skip_chars skip_chars or { , -, _, .} self.trie_filter TrieSensitiveWordFilter() def _normalize(self, text): 标准化文本去除干扰字符 return .join(c for c in text if c not in self.skip_chars) def contains_sensitive_word(self, text): normalized self._normalize(text) return self.trie_filter.contains_sensitive_word(normalized)5.2 支持拼音/谐音检测python# 使用 pypinyin 库处理拼音 from pypinyin import lazy_pinyin class PinyinSensitiveFilter: def __init__(self): self.pinyin_map {} def add_word(self, word): # 同时添加中文和拼音形式的敏感词 self.trie_filter.add_word(word) pinyin .join(lazy_pinyin(word)) self.trie_filter.add_word(pinyin)5.3 支持英文大小写/变体处理pythonclass CaseInsensitiveFilter: def __init__(self): self.trie_filter TrieSensitiveWordFilter() def add_word(self, word): # 添加小写版本 self.trie_filter.add_word(word.lower()) def contains_sensitive_word(self, text): return self.trie_filter.contains_sensitive_word(text.lower())六、性能对比方案时间复杂度空间复杂度1000词响应时间适用场景直接遍历O(n*m)O(m)~50ms小词库正则表达式O(n*m)O(m)~30ms中等词库Trie树O(n)O(m*k)~5ms大词库AC自动机O(n)O(m*k)~3ms超大词库better_profanityO(n)O(m)~2ms通用场景注n为文本长度m为敏感词数量k为平均词长七、完整实战示例pythonclass SensitiveWordDetectionSystem: 完整的敏感词检测系统 def __init__(self, word_fileNone, skip_charsNone): self.filter AhoCorasickFilter() self.skip_chars skip_chars or { , ., -, _, *, #} if word_file: self.load_words_from_file(word_file) def load_words_from_file(self, file_path): 从文件加载敏感词库 with open(file_path, r, encodingutf-8) as f: words [line.strip() for line in f if line.strip()] self.filter.add_words(words) def preprocess_text(self, text): 预处理文本移除干扰字符 # 可选移除干扰字符 # text .join(c for c in text if c not in self.skip_chars) # 可选转小写 text text.lower() return text def detect(self, text): 检测文本 processed self.preprocess_text(text) return self.filter.search(processed) def audit(self, text, strictTrue): 内容审核 matches self.detect(text) result { is_safe: len(matches) 0, sensitive_words: [m[word] for m in matches], count: len(matches), suggested_action: block if strict and len(matches) 0 else review } return result def censor(self, text, replace_char*): 敏感词脱敏 processed self.preprocess_text(text) matches self.filter.search(processed) if not matches: return text # 需要映射回原始文本的位置 result list(text) # 简化版直接替换实际应用需要处理位置映射 for match in matches: # 这里简化处理 pass return self.filter.replace_sensitive_words(processed, replace_char) # 使用示例 if __name__ __main__: # 初始化系统 system SensitiveWordDetectionSystem() system.filter.add_words([敏感词, 不良信息, 违规内容]) # 测试文本 test_texts [ 这是一条正常的消息, 这里包含敏感词需要处理, 用户发送了不良信息内容 ] for text in test_texts: result system.audit(text) print(f文本: {text}) print(f审核结果: {result}) print(- * 50)八、敏感词库管理建议8.1 词库分类textsensitive_words/ ├── political.txt # 政治敏感 ├── porn.txt # 色情低俗 ├── violence.txt # 暴力恐怖 ├── abuse.txt # 人身攻击 └── spam.txt # 垃圾广告8.2 词库维护策略定期更新建立词库更新机制分级管理按敏感程度分级处理白名单机制支持误杀词的快速恢复版本控制记录词库变更历史九、总结与建议9.1 方案选择指南小型项目100词使用正则或直接遍历即可中型项目100-10000词推荐Trie树方案大型项目10000词必须使用AC自动机快速开发使用better_profanity等成熟库9.2 注意事项性能优化使用缓存、异步处理、批量检测误杀控制建立白名单和人工审核机制编码问题统一使用UTF-8编码变形词需要考虑拼音、谐音、数字替代等多语言中英文混合检测需要特殊处理9.3 扩展方向结合NLP语义理解减少误杀支持图片中的文字检测OCR实时监控和告警系统用户行为分析和分级通过合理选择和优化敏感词检测方案可以有效保障平台内容安全同时保持良好的用户体验。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2499426.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…