[转载]敏感词过滤，PHP实现的Trie树
原文地址：http://blog.11034.org/2012-07/trie_in_php.html
项目需求，要做敏感词过滤，对于敏感词本身就是一个CRUD的模块很简单，比较麻烦的就是对各种输入的敏感词检测了。用Trie树来实现是比较通用的一种办法吧，之前一直没机会用过这种数据结构，正好试着写了一下。
因为用PHP实现，关联数组用的很舒服。第一个要解决的是字符集的问题，如果在Java中就比较好办统一的Unicode，在PHP中因为常用 UTF-8字符集，默认有1-4个字节不同的长度来表示一个字符，于是写了个Util类来将普通的UTF-8字符串转换成字符数组，每一个元素是一个 UTF-8串形成的字符。这一点比较容易实现的，根据UTF-8字符集的格式而来就好。
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 | public static function get_chars( $utf8_str ){ $s = $utf8_str ; $len = strlen ( $s ); if ( $len == 0) return array (); $chars = array (); for ( $i = 0; $i < $len ; $i ++){ $c = $s [ $i ]; $n = ord( $c ); if (( $n >> 7) == 0){ //0xxx xxxx, asci, single $chars [] = $c ; } else if (( $n >> 4) == 15){ //1111 xxxx, first in four char if ( $i < $len - 3){ $chars [] = $c . $s [ $i + 1]. $s [ $i + 2]. $s [ $i + 3]; $i += 3; } } else if (( $n >> 5) == 7){ //111x xxxx, first in three char if ( $i < $len - 2){ $chars [] = $c . $s [ $i + 1]. $s [ $i + 2]; $i += 2; } } else if (( $n >> 6) == 3){ //11xx xxxx, first in two char if ( $i < $len - 1){ $chars [] = $c . $s [ $i + 1]; $i ++; } } } return $chars ; } |
字符单位确认以后，就是写Trie树了。简单的算法，从根路径开始给每个字符建一个关联数组，当字符串结束的时候，用一个null表示结尾。
删除一个串，只要找到串中任意一个字符的子元素数量为1，就表示只有这个串了，整个删除就好了；若子元素数量大于1，则继续根据字符找下去，直到末尾的null。
查找一个串（完全匹配），一直根据字符找到null为止就表明存在，任一字符不存在就表明串不存在。
验证一个长串是否含有任一串，这边算法比较挫，按照每个字符开始都在Trie树种搜索一遍，走的回头路比较多，复杂度有O(n * m)，n为长串长度，m为Trie树深度，不过因为中文Trie树深度很浅，勉强还过得去（英文字符串深度很长）。
然后因为PHP没有全局缓存的机制，每次都要从数据库中读取全部的敏感词，然后建立Trie树再去匹配串的话太麻烦了，采取的办法是将Trie内部 的关联数组序列化后直接保存在数据库中，每次只要读取这条数据，然后反序列化，Trie树就回来了。当然进行串的插入和删除，将更新这个序列化数据。
可改进的地方：
- 当某一条路径只有这个串即关联数组数量为1时，可以压缩子树
- 改进Trie树为AC自动机，即每个节点都添加一个失败指针，指向匹配失败后回到树的哪个节点，这样就仅仅是O(n)的复杂度了。建树的过程比较复杂，对每个插入的串的子串进行处理，运行时查询的效率非常高
贴代码：
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 | class TrieTree{ public $tree = array (); public function insert( $utf8_str ){ $chars = &UTF8Util::get_chars( $utf8_str ); $chars [] = null; //串结尾字符 $count = count ( $chars ); $T = & $this ->tree; for ( $i = 0; $i < $count ; $i ++){ $c = $chars [ $i ]; if (! array_key_exists ( $c , $T )){ $T [ $c ] = array (); //插入新字符，关联数组 } $T = & $T [ $c ]; } } public function remove( $utf8_str ){ $chars = &UTF8Util::get_chars( $utf8_str ); $chars [] = null; if ( $this ->_find( $chars )){ //先保证此串在树中 $chars [] = null; $count = count ( $chars ); $T = & $this ->tree; for ( $i = 0; $i < $count ; $i ++){ $c = $chars [ $i ]; if ( count ( $T [ $c ]) == 1){ //表明仅有此串 unset( $T [ $c ]); return ; } $T = & $T [ $c ]; } } } private function _find(& $chars ){ $count = count ( $chars ); $T = & $this ->tree; for ( $i = 0; $i < $count ; $i ++){ $c = $chars [ $i ]; if (! array_key_exists ( $c , $T )){ return false; } $T = & $T [ $c ]; } return true; } public function find( $utf8_str ){ $chars = &UTF8Util::get_chars( $utf8_str ); $chars [] = null; return $this ->_find( $chars ); } public function contain( $utf8_str , $do_count = 0){ $chars = &UTF8Util::get_chars( $utf8_str ); $chars [] = null; $len = count ( $chars ); $Tree = & $this ->tree; $count = 0; for ( $i = 0; $i < $len ; $i ++){ $c = $chars [ $i ]; if ( array_key_exists ( $c , $Tree )){ //起始字符匹配 $T = & $Tree [ $c ]; for ( $j = $i + 1; $j < $len ; $j ++){ $c = $chars [ $j ]; if ( array_key_exists (null, $T )){ if ( $do_count ){ $count ++; } else { return true; } } if (! array_key_exists ( $c , $T )){ break ; } $T = & $T [ $c ]; } } } if ( $do_count ){ return $count ; } else { return false; } } public function contain_all( $str_array ){ foreach ( $str_array as $str ){ if ( $this ->contain( $str )){ return true; } } return false; } public function export(){ return serialize( $this ->tree); } public function import( $str ){ $this ->tree = unserialize( $str ); } } |
