检测敏感词的 PHP 扩展

yanghongjun

敏感词过滤是我朝程序员必须具备的一种特殊技能，随着敏感词越来越多，是时候写个扩展来快速的进行敏感词检测了
使用说明

1. 安装 libdatrie
tar zxf libdatrie-0.2.4.tar.gz
cd libdatrie-0.2.4
./configure --prefix=/usr/local
make
make install


2. 安装 trie_filter 扩展
tar zxf trie_filter-1.0.0.tar.gz
cd trie_filter-1.0.0
phpize
./configure --with-php-config=/path/to/php-config
make
make install
记得修改你的 php.ini 文件，启用 trie_filter 扩展。extension=trie_filter.so


3. 生成词典预处理工具（dpp.c 在 trie_filter-1.0.0 里面）
gcc -O dpp dpp.c -ldatrie


4. 生成敏感词词典
首先你需要把需要检测的敏感词写入到一个文本文件中，每行一个敏感词，然后使用上一步生成的 dpp 程序处理这个文本文件来生成词典
./dpp  txt_file_path   dict_file_path


5. 使用扩展
扩展接口很简单，只有两个函数：
1) trie_filter_load($path_to_dict)
用来载入词典，成功返回一个 Trie_Filter 资源句柄，失败返回 NULL
2) trie_filter_search($trie, $text)
用来检测一段文本中是否含有词典中定义的敏感词，$trie 是上一个函数返回的 Trie Filter 句柄，$text 是欲检测的文本
如果检测到敏感词则返回一个数组，数组第一个元素指出检测到的敏感词在 $text 中的偏移量，第二个元素指出该敏感词的长度(bytes)
如果没有检测到敏感词，则返回一个空数组




扩展的速度怎么样


一个字，很快！扩展的检测算法基于 Double Array Trie Tree，查找单一关键字的时间复杂度为 O(1)，查找整段文本的时间复杂度为 O(n)，n 为文本的长度，而且检测的速度不会因为敏感词的增加而降低。




注意事项


1. 扩展把词典和要检测的文本都当做平凡的字节流处理，因此可以无视字符集的问题。但需要注意的是词典的编码需要和检测文本的编码一致，例如词典为 UTF-8 编码而你需要检测的文本为 GBK 编码，这就要求你在调用 trie_filter_search() 函数之前通过 iconv 或者 mb_xxx 函数转换一下编码
2. 目前只在 linux + php-5.2 环境下测试通过，不支持 windows，也没有支持的计划