Serverless 實戰：3 分鐘實現文本敏感詞過

Serverless 實戰：3 分鐘實現文本敏感詞過濾

感詞過濾是隨著互聯網社區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的關鍵詞進行有針對性的篩查和屏蔽，能夠防患于未然，將后果嚴重的犯罪行為扼殺于萌芽之中。

隨著各種社交論壇的日益火爆，敏感詞過濾逐漸成為了非常重要的功能。那么在 Serverless 架構下，利用 Python 語言，敏感詞過濾又有那些新的實現呢？我們能否用最簡單的方法實現一個敏感詞過濾的 API 呢？

了解敏感過濾的幾種方法

Replace方法

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。

正則表達方法

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。

DFA過濾敏感詞

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。

AC自動機過濾敏感詞算法

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。

敏感詞過濾方法小結

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。

實現敏感詞過濾API

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：

總結

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。

Serverless Framework 試用計劃

我們誠邀您來體驗最便捷的 Serverless 開發和部署方式。在試用期內，相關聯的產品及服務均提供免費資源和專業的技術支持，幫助您的業務快速、便捷地實現 Serverless！

Serverless 極速部署，只需三步

Serverless Framework 是構建和運維 Serverless 應用的框架。簡單三步，即可通過 Serverless Framework 快速實現服務部署。

1. 安裝 Serverless

macOS/Linux 系統：推薦使用二進制安裝

$ curl -o- -L https://slss.io/install | bash

Windows 系統：可通過 npm 安裝

$ npm install -g serverless

2. 創建云上應用

在空文件夾下輸入 `serverless` 命令

$ serverless

訪問命令行中輸出的鏈接，即可訪問成功部署后的應用。

3. 查看部署信息

進入到部署成功的文件夾，運行如下命令，查看部署狀態和資源信息：

$ sls info

用戶在 HTML 表單中填寫并提交數據時，可以使用 PHP 來接收并處理這些數據。要實現這一點，需要創建一個 PHP 腳本來處理提交的數據，然后將 HTML 表單的 "action" 屬性設置為該腳本的文件路徑。表單提交的數據需要進行驗證和過濾，以確保數據的完整性和安全性。可以使用條件語句、正則表達式、過濾器函數等方法來驗證和過濾數據，并使用 htmlspecialchars() 函數轉義 HTML 標記，以防止 XSS 攻擊。

以下是一個簡單的示例：

HTML 表單代碼：

<form action="submit.php" method="post">

<label for="name">Name:</label>

<input type="text" id="name" name="name">

<label for="email">Email:</label>

<input type="email" id="email" name="email">

<button type="submit">Submit</button>

</form>

PHP 代碼（submit.php）：

<?php

// 獲取表單提交的數據

$name=$_POST['name'];

$email=$_POST['email'];

// 在這里進行處理，例如將數據存儲到數據庫中

// ...

// 返回一個響應，告訴用戶數據已經被成功提交

echo "Thank you for submitting the form, $name!";

在上面的示例中，表單的 "action" 屬性設置為 "submit.php"，這意味著提交表單時，數據將被發送到 submit.php 文件中的 PHP 代碼中進行處理。PHP 代碼使用 $_POST 數組來獲取表單提交的數據，然后進行處理，例如將數據存儲到數據庫中。最后，PHP 代碼返回一個響應，告訴用戶數據已經被成功提交。在處理表單數據時，一定要對用戶輸入進行驗證和過濾，以防止安全漏洞。

需要對表單提交的數據進行驗證和過濾，以確保數據的完整性和安全性。以下是一些常見的方法：

1、驗證表單字段：在 PHP 代碼中使用條件語句和正則表達式等方法來驗證表單字段的有效性，例如驗證電子郵件地址的格式是否正確。

$email=$_POST['email'];

if (!filter_var($email, FILTER_VALIDATE_EMAIL)) {

// 如果郵件地址格式不正確，則顯示錯誤消息

echo "Invalid email address";

}

2、過濾輸入數據：使用 PHP 中的過濾器函數來過濾表單輸入數據，以防止 XSS 攻擊和 SQL 注入等安全漏洞。

$name=$_POST['name'];

$name=filter_var($name, FILTER_SANITIZE_STRING); // 過濾特殊字符和標簽

3、防止跨站腳本攻擊（XSS）：在 PHP 代碼中使用 htmlspecialchars() 函數來轉義 HTML 標記，防止惡意腳本注入到頁面中。

$name=$_POST['name'];

$name=htmlspecialchars($name, ENT_QUOTES, 'UTF-8'); // 轉義 HTML 標記

4、防止 SQL 注入攻擊：在 PHP 代碼中使用參數化查詢或準備語句來執行數據庫操作，以防止惡意 SQL 語句注入到數據庫中。

$stmt=$pdo->prepare("INSERT INTO users (name, email) VALUES (:name, :email)");

$stmt->bindParam(':name', $name);

$stmt->bindParam(':email', $email);

$stmt->execute();

通過這些方法，可以確保表單提交的數據是安全和有效的，并且能夠正常地處理和存儲到數據庫中。

符實體

一些字符在 HTML 中擁有特殊的含義，比如小于號 (<) 用于定義 HTML 標簽的開始，所以有時候直接在頁面中書寫的話，會產生意想不到的結果。如果我們希望瀏覽器正確地顯示這些字符，我們必須在 HTML 源碼中插入字符實體。

字符實體有三部分：一個和號 (&)，一個實體名稱或者 # 和一個實體編號，以及一個分號 (;)。

要在 HTML 文檔中顯示小于號，我們需要這樣寫：< 或者 <

使用實體名稱而不是實體編號的好處在于，名稱相對來說更容易記憶。而這么做的壞處是，并不是所有的瀏覽器都支持最新的實體名稱，然而幾乎所有的瀏覽器對實體編號的支持都很好。

注意：實體對大小寫敏感。

空格

空格是 HTML 中最普通的字符實體。

通常情況下，HTML 會裁掉文檔中的空格。假如你在文檔中連續輸入 10 個空格，那么 HTML 會去掉其中的9個而只顯示1個。如果使用就可以在文檔中增加空格。

以下就羅列下html頁面能使用到的字符實體

最常用的字符實體

顯示結果	描述	實體名稱	實體編號
	空格
<	小于號	<	<
>	大于號	>	>
&	和號	&	&
"	引號	"	"
'	撇號	' (IE不支持)	'

其他一些常用的字符實體

顯示結果	描述	實體名稱	實體編號
￠	分	¢	¢
￡	鎊	£	£
￥	日圓	¥	¥
§	節	§	§
?	版權	©	©
?	注冊商標	®	®
×	乘號	×	×
÷	除號	÷	÷

在線咨詢

上一篇：抓取網頁頁面（抓取網頁內容）
下一篇：SCI期刊在線投稿注意事項

您的項目需求

*請認真填寫需求信息，我們會在24小時內與您取得聯系。

整合營銷服務商

Serverless 實戰：3 分鐘實現文本敏感詞過

了解敏感過濾的幾種方法

Replace方法

正則表達方法

DFA過濾敏感詞

AC自動機過濾敏感詞算法

敏感詞過濾方法小結

實現敏感詞過濾API

總結

Serverless 極速部署，只需三步

符實體

最常用的字符實體

其他一些常用的字符實體

您的項目需求