Java实现一个敏感词过滤有哪些方法以及怎么优化详解

2025-07-18 10:25 开发作者：尤物程序猿

Java实现敏感词过滤的完整方案与优化策略

敏感词过滤是内容安全的重要组成部分，以下是Java中实现敏感词过滤的多种方法及其优化方案。

一、基础实现方法

1. 简单字符串匹配（适合小规模场景）

public class SimpleFilter {
    private static final Set<String> sensitiveWords = new HashSet<>(Arrays.asList("敏感词1", "敏感词2"));
    
    public static String filter(String text) {
        for (String word : sensitiveWords) {
            if (text.contains(word)) {
                text = text.replace(word, "***");
            }
        }
        return text;
    }
}

缺点：时间复杂度O(n*m)，性能差，无法处理变形词，拼音等扩展功能。

2. 正则表达式匹配

public class RegexFilter {
    private static final String pattern = "敏感词1|敏感词2|敏感词3";
    
    public static String filter(String text) {
        return text.replaceAll(pattern, "***");
    }
}

缺点：正则构建时间长，敏感词多时性能下降明显。敏感词有些场景还是可以考虑的，可以做一个分片处理。

二、高效实现方案

1. Trie树（前缀树）实现

class TrieNode {
    private Map<Character, TrieNode> children = new HashMap<>();
    private boolean isEnd;
    
    // 添加子节点方法
    // 查找子节点方法
    // getter/setter
}

public class TrieFilter {
    private TrieNode root = new TrieNode();
    
    // 构建Trie树
    public void addword(String word) {
        TrieNode node = root;
        for (char c : word.toCharArray()) {
            node = node.getChildren().computeIfAbsent(c, k -> new TrieNode());
        }
        node.setEnd(true);
    }
    
    // 过滤方法
    public String filter(String text) {
        StringBuilder result = new StringBuilder();
        TrieNode temp;
        for (int i = 0; i < text.length(); i++) {
            temp = root;
            int j = i;
            while (j < text.length() && temp.getChildren().containsKey(text.charAt(j))) {
                temp = temp.getChildren().get(text.charAt(j));
                j++;
                if (temp.isEnd()) {
                    // 发现敏感词，替换为*
                    result.append("*".repeat(j - i));
                    i = j - 1;
                    break;
                }
            }
            if (i >= text.length()) break;
            if (!temp.isEnd()) {
                result.append(text.charAt(i));
            }
        }
        return result.toString();
    }
}

其实也就是一种树形有向图（无环）结构。是DFA的一种特例（树形结构，无失败转移）。

优点：时间复杂度O(n)，适合大规模敏感词库

前缀树的优点是，插入和查询效率高，特别是在敏感词有共同前缀的情况下（如ab、abc、abcd）。而且他的空间效率较高，因为是共享公共前缀的。

但是他也有缺点，一方面是构建树的初期成本较高。另外对于没有共同前缀的敏感词，效率提升不明显。

所以，前缀树适合做高效的字典查找、根据前缀自动补全、利用前缀匹配进行快速路由等场景。

2. DFA（确定性有限自动机）算法

DFA是Deterministic Finite Automaton的缩写，翻译过来叫确定有限自动机，DFA算法是一种高效的文本匹配算法，特别适合于敏感词过滤。

DFA由一组状态组成，以及在这些状态之间的转换，这些转换由输入字符串驱动。每个状态都知道下一个字符的到来应该转移到哪个状态。如果输入字符串结束时，DFA处于接受状态，则输入字符串被认为是匹配的。

其实就是一种一般有向图（可能含环，如自环）结构，满足一条路径则算匹配成功，就算一个敏感词了。

有三个参数组成

节点（States）：表示自动机的状态，包括：
- 初始状态（起点）
- 中间状态
- 终止状态（敏感词匹配成功的状态）
边（Transitions）：表示状态之间的转移条件，每个边对应一个输入字符（如字母、汉字）。
终止状态：某些节点被标记为终止状态，代表从初始状态到该状态的路径对应一个完整的敏感词。

编程

具体过程就像下面这样

输入字符 c，检查当前状态是否有 c 对应的边。
如果有，转移到下一个状态；如果没有，匹配失败。
如果最终停在终止状态，则输入文本包含敏感词。
否则，不包含。

public class DFAFilter {
    private Map<String, Object> sensitiveWordMap = new HashMap<>();
    
    // 构建敏感词库
    public void init(Set<String> words) {
        for (String word : words) {
            Map<String, Object> nowMap = sensitiveWordMap;
            for (int i = 0; i < word.length(); i++) {
                String key = String.valueOf(word.charAt(i));
                Object tempMap = nowMap.get(key);
                if (tempMap == null) {
                    Map<String, Object> newMap = new HashMap<>();
                    newMap.put("isEnd", "0");
                    nowMap.put(key, newMap);
                    nowMap = newMap;
                } else {
                    nowMap = (Map<String, Object>) tempMap;
                }
                if (i == word.length() - 1) {
                    nowMap.put("isEnd", "1");
                }
            }
        }
    }
    
    // 过滤方法
    public String filter(String text) {
        StringBuilder result = new StringBuilder();
        for (int i = 0; i < text.length(); i++) {
            int length = checkWord(text, i);
            if (length > 0) {
                result.append("*".repeat(length));
                i += length - 1;
            } else {
                result.append(text.charAt(i));
            }
        }
        return result.toString();
    }
    
    private int checkWord(String text, int beginIndex) {
        boolean flag = false;
        int matchLength = 0;
        Map<String, Object> tempMap = sensitiveWordMap;
        for (int i = beginIndex; i < text.length(); i++) {
            String word = String.valueOf(text.charAt(i));
            tempMap = (Map<String, Object>) tempMap.get(word);
            if (tempMap == null) break;
            matchLength++;
            if ("1".equals(tempMap.get("isEnd"))) {
                flag = true;
                break;
            }
        }
        return flag ? matchLength : 0;
    }
}

内存优化：
- 双数组Trie：压缩状态存储，减少内存占用。
- 共享前缀：DFA合并相同前缀的状态（如 "敏感词" 和 "敏感内容" 共享 "敏感" 路径）。
匹配加速：
- AC自动机：在DFA基础上添加失败指针，支持多模式匹配（类似KMP算法）。
- 批处理：对长文本分块并行检测。
工程实践：
- 热更新：动态加载敏感词库，无需重启服务。
- 多级过滤：先布隆过滤器快速排除无敏感词文本，再走DFA精确匹配。

给大家推荐一个基于 DFA 算法实现的高性能 java 敏感词过滤工具框架——sensitive-word

三、高级优化方案

1. 多模式匹配算法优化

AC自动机（Aho-Corasick算法）

public class ACFilter {
    private ACTrie trie;
    
    public void init(Set<String> words) {
        trie = new ACTrie();
        for (String word : words) {
            trie.insert(word);
        }
        trie.buildFailureLinks();
    }
    
    public String filter(String text) {
        Set<ACTrie.Match> matches = trie.parseText(text);
        char[] chars = text.toCharArray();
        for (ACTrie.Match match : matches) {
            Arrays.fill(chars, match.getStart(), match.getEnd() + 1, '*');
        }
        return new String(chars);
    }
}

优点：一次扫描匹配所有模式串，时间复杂度O(n)

2. 基于布隆过滤器的预处理

public class BloomFilterPreprocessor {
    privjsate BloomFilter<String> bloomFilter;
    private Set<String> exactMatchSet;
    
    public void init(Set<String> words) {
        bloomFilter = BloomFilter.create(Funnels.stringFunnel(), words.size(), 0.01);
        exactMatchSet = new HashSet<>(words);
        words.forEach(bloomFilter::put);
    }
    
    public boolean mightcontain(String text) {
        return bloomFilter.mightContain(text);
    }
    
    public boolean exactMatch(String text) {
        return exactMatchSet.contains(text);
    }
}

用途：先快速判断是否可能包含敏感词，再进行精确匹配

四、工程化实践方案

1. 敏感词库动态加载

public class DynamicWordFilter {
    private volatile Map<String, Object> wordMap;
    private ScheduledExecutorService executor;
    
    public void init() {
        loadWords();
        executor = Executors.newSingleThreadScheduledExecutor();
        executor.scheduleAtFixedRate(this::loadWords, 1, 1, TimeUnit.HOURS);
    }
    
    private void loadWords() {
        Map<String, Object> newMap = new HashMap<>();
        // 从数据库或文件加载敏感词
        Set<String> words = loadFromDB();
        // 构建DFA结构
        this.wordMap = buildDFA(words);
    }
}

2. 分布式敏感词过滤

public class DistributedFilter {
    private RedisTemplate<String, String> redisTemplate;
    
    public boolean isSensitive(String text) {
        // 使用Redis的Set结构存储敏感词
        return redisTemplate.opsForSet().isMember("sensitive:words", text);
    }
    
    public String filter(String text) {
        // 调用分布式过滤服务
        return restTemplate.postForObject("http://filter-service/filter", text, String.class);
    }
}

3：也可以考虑使用ElasticSearch做搜索引擎

为什么可以使用ES可以看看

为什么用ElasticSearch？和传统数据库mysql与什么区别？

总的来说就是ES有强大的文本分析和查询能力来实现。以下是详细实现过程和方案：

具体实现方案

方案1：索引时敏感词标记（推荐）

步骤：

自定义分析器：

PUT /sensitive_content_index
{
  "settings": {
    "analysis": {
      "analyzer": {
        "sensitive_filter_analyzer": {
          "type": "custom",
          "tokenizer": "standard",
          "filter": [
            "lowercase",
            "sensitive_word_filter"
          ]
        }
      },
      "filter": {
        "sensitive_word_filter": {
          "type": "stop",
          "stopwords": ["敏感词1", "敏感词2", "违法词"]
        }
      }
    }
  },
  "mappings": {
    "properties": {
      "content": {
        "type": "text",
        "analyzer": "sensitive_filter_analyzer",
        "fields": {
          "original": { 
            "type": "keyword" // 保留原始内容
          }
        }
      }
    }
  }
}

检测敏感词：

GET /sensitive_content_index/_analyze
{
  "analyzer": "sensitive_filter_analyzer",
  "text": "这是一段包含敏感词1的文本"
}

输出：敏感词会被过滤掉，只返回普通词项

写入时自动标记：

POST /sensitive_content_index/_doc
{
  "content": "这是需要检测的文本",
  "has_sensitive": false // 由pipeline更新
}

使用Ingest Pipeline自动检测：

PUT _ingest/pipeline/sensitive_check_pipeline
{
  "processors": [
    {
      "script": {
        "source": """
          def sensitiveWords = ['敏感词1', '违禁词'];
          for (word in sensitiveWords) {
            if (ctx.content.contains(word)) {
              ctx.has_sensitive = true;
              ctx.sensitive_word = word;
              break;
            }
          }
        """
      }
    }
  ]
}

方案2：查询时敏感词过滤

使用Term查询检测：

GET /content_index/_search
{
  "query": {
    "bool": {
      "must_not": [
        { "terms": { "content": ["敏感词1", "违禁词"] }}
      ]
    }
  }
}

高亮显示敏感词：

GET /content_index/_search
{
  "query": {
    "match": { "content": "正常文本" }
  },
  "highlight": {
    "fields": {
      "content": {
        "highlight_query": {
          "terms": { "content": ["敏感词1", "违禁词"] }
        }
      }
    }
  }
}

方案3：结合机器学习（ES 7.15+）

训练敏感词分类模型：

PUT _ml/trained_models/sensitive_words_classifier
{
  "input": {"field_names": ["text"]},
  "inference_config": {
    "text_classification"SaQBYI: {
      "vocabulary": ["敏感词1", "变体词", "拼音词"]
    }
  }
}

部署推理处理器：

PUT _ingest/pipeline/ml_sensitive_detection
{
  "processors": [
    {
      "inference": {
        "model_id": "sensitive_words_classifier",
        "field_map": { "content": "text" }
      }
    }
  ]
}

性能优化技巧

敏感词库存储优化：
- 使用ES的Synonyms Token Filter管理同义词/变体词
- 将敏感词库存储在单独索引中，定期更新

缓存加速：

PUT /sensitive_words_cache
{
  "mappings": {
    "properties": {
      "word": { "type": "keyword" }
    }
  }
}

分布式检测：
- 对大型文档分片处理
- 使用_search_shardsAPI并行检测

五、性能优化技巧

内存优化：
- 使用基本类型替代包装类
- 压缩Trie树结构（Ternary Search Tree）
- 对象复用减少GC压力
算法优化：
- 对短文本使用快速失败策略
- 实现多级过滤（先粗筛后精筛），
- 并行化处理（Fork/Join框架）
预处理优化：
- 文本归一化（全角转半角，繁体转简体）
- 拼音转换处理（如"taobao"->"淘宝"）
- 近音词/形近词处理
缓存优化：
- 缓存常见文本的过滤结果
- 使用Caffeine实现本地缓存
- 布隆过滤器预判

六、完整生产级实现示例

public class ProductionWordFilter implements InitializingBean {
    private final TrieNode root = new TrieNode();
    private final List<String> wordSources;
    private final ScheduledExecutorService executor;
    
    public ProductionWordFilter(List<String> wordSources) {
        thjavascriptis.wordSources = wordSources;
        this.executor = Executors.newSingleThreadScheduledExecutor();
    }
    
    @Override
    public void afterPropertiesSet() {
        reload();
        executor.scheduleWithFixedDelay(this::reload, 1, 1, TimeUnit.HOURS);
    }
    
    public synchronized void reload() {
        TrieNode newRoot = new TrieNode();
        wordSources.stream()
                  .flatMap(source -> loadWords(source).stream())
                  .forEach(word -> addWord(newRoot, word));
        this.root = newRoot;
    }
    
    public FilterResult filter(String text) {
        StringBuilder result = new StringBuilder();
        Set<String> foundWords = new HashSet<>();
        int replacedCount = 0;
        
        for (int i = 0; i < text.length(); ) {
            MatchResult match = findNextMatch(text, i);
            if (match != null) {
                foundWords.add(match.getWord());
                result.append("*".repeat(match.getLength()));
                replacedCount++;
                i = match.getEndIndex();
            } else {
                result.append(text.charAt(i));
                i++;
            }
        }
        
        return new FilterResult(result.toString(), foundWords, replacedCount);
    }
    
    // 其他辅助方法...
}

七、评估指标

性能指标：
- 吞吐量（QPS）
- 平均延迟（ms）
- 99线延迟（ms）
效果指标：
- 召回率（漏判率）
- 准确率（误判率）
- 覆盖度（变形词识别率）
资源消耗：
- 内存占用
- CPU使用率
- 网络IO（分布式场景）

八、扩展思考

中文分词集成：结合IK Analyzer等分词工具处理更复杂的语义
机器学习模型：使用NLP模型识别变体、谐音、拆字等高级变种
图片/语音过滤：扩展多媒体内容过滤能力
多语言支持：处理Unicode混淆和国际化敏感词

对于大多数Java应用，Trie树或DFA算法配合定期更新编程客栈的词库已经能够满足需求。

总结

到此这篇关于Java实现一个敏感词过滤有哪些方法以及怎么优化的文章就介绍到这了,更多相关Java实现敏感词过滤内容请搜索编程客栈(www.devze.com)以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程客栈(www.devze.com)！

继续阅读：java 字符串过滤 java敏感词过滤 java过滤特殊字符

Java实现一个敏感词过滤有哪些方法以及怎么优化详解

目录

Java实现敏感词过滤的完整方案与优化策略

一、基础实现方法

1. 简单字符串匹配（适合小规模场景）

2. 正则表达式匹配

二、高效实现方案

1. Trie树（前缀树）实现

2. DFA（确定性有限自动机）算法

三、高级优化方案

1. 多模式匹配算法优化

AC自动机（Aho-Corasick算法）

2. 基于布隆过滤器的预处理

四、工程化实践方案

1. 敏感词库动态加载

2. 分布式敏感词过滤

3：也可以考虑使用ElasticSearch做搜索引擎

具体实现方案

五、性能优化技巧

六、完整生产级实现示例

七、评估指标

八、扩展思考

总结

更多精彩内容

精彩评论

最新开发

c#将不同类型的数据存储到一起的实现

Java使用Lambda表达式实现排序功能的实现代码

Java后端实现数据加密的多方案对比分析及实践

SpringBoot 项目搭建的 4 种常用方式(从入门到实践)

Java aop切面使用方法详解

开发排行榜

springboot后端存储富文本内容的思路与步骤(含图片内容)

PyCharm运行python测试,报错“没有发现测试”/“空套件”的解决

return base64.b64encode(b).decode(

基于C语言实现钻石棋游戏的示例代码

Sublime Text 3解决中文乱码问题（实测可用）