使用JAVA开发敏感词检测工具的步骤及示例代码

一名技术极客 2024-11-02 23:27:06编程技术

114

在当今信息爆炸的时代，敏感词过滤已成为许多应用程序不可或缺的一部分，无论是社交媒体、在线论坛还是即时通讯工具，都需要对发布内容进行审核以确保信息安全和合规性。使用Java开发敏感词检测工具是一种常见且有效的解决方案。本文将详细介绍如何使用Java来实现一个简单的敏感词检测工具，包括所需的步骤和示例代码，帮助开发者快速上手并应用于实际项目中。

开发步骤

引入 Maven 依赖

引入最新的版本即可，见附录开源地址。

<dependency>
    <groupId>com.github.houbb</groupId>
    <artifactId>sensitive-word</artifactId>
    <version>0.18.0</version>
</dependency>

核心方法使用实例

包含了主要的一些功能和方法，如下所示：

常规用法查找替换；
指定替换字符串；
检测忽略大小写，特殊字符，重复字符，简繁体，中英文等；
自定义替换检测策略示例；

package com.example.demo;

import com.github.houbb.sensitive.word.api.IWordContext;
import com.github.houbb.sensitive.word.api.IWordReplace;
import com.github.houbb.sensitive.word.api.IWordResult;
import com.github.houbb.sensitive.word.bs.SensitiveWordBs;
import com.github.houbb.sensitive.word.core.SensitiveWordHelper;
import com.github.houbb.sensitive.word.support.result.WordResultHandlers;
import com.github.houbb.sensitive.word.utils.InnerWordCharUtils;

import java.util.List;

public class SensitiveWordTestDemo {

    public static void main(String[] args) {
        //testNormal();
        //testDefineReplace();
        //testSensitiveWordResultHandler();
        //testOtherFeatures();
        testMoreFeatures();
    }

    // 常规使用案例：替换敏感词
    public static void testNormal() {
        final String text = "五星红旗迎风飘扬，毛主席的画像屹立在天安门前。";
        System.out.println("是否包含铭感词：" + SensitiveWordHelper.contains(text));
        System.out.println("查找第一个铭感词：" + SensitiveWordHelper.findFirst(text));
        System.out.println("查找所有铭感词：" + SensitiveWordHelper.findAll(text));

        System.out.println("替换所有铭感词：" + SensitiveWordHelper.replace(text));
        System.out.println("替换所有铭感词(指定替换符号)：" + SensitiveWordHelper.replace(text, '⭐'));
    }

    /**
     * 此案例讲解：IWordResultHandler 可以对敏感词的结果进行处理，允许用户自定义。
     */
    public static void testSensitiveWordResultHandler() {
        final String text = "五星红旗迎风飘扬，毛主席的画像屹立在天安门前。";

        List<String> wordList = SensitiveWordHelper.findAll(text);
        //Assert.assertEquals("[五星红旗, 毛主席, 天安门]", wordList.toString());
        System.out.println("1.查找到所有铭感词：" + wordList);

        List<String> wordList2 = SensitiveWordHelper.findAll(text, WordResultHandlers.word());
        //Assert.assertEquals("[五星红旗, 毛主席, 天安门]", wordList2.toString());
        System.out.println("2.默认内置处理(同直接查找到所有敏感词)：" + wordList2);

        List<IWordResult> wordList3 = SensitiveWordHelper.findAll(text, WordResultHandlers.raw());
        //Assert.assertEquals("[WordResult{startIndex=0, endIndex=4}, WordResult{startIndex=9, endIndex=12}, WordResult{startIndex=18, endIndex=21}]", wordList3.toString());
        System.out.println("3.查找敏感词单词本身的起始位置到终止位置：" + wordList3);
    }

    // 实例：常规忽略检测特性
    public static void testOtherFeatures() {
        System.out.println("\n其他属性\n");
        String text = "fuCK the bad words.";
        String word = SensitiveWordHelper.findFirst(text);
        //Assert.assertEquals("fuCK", word);
        System.out.println("忽略大小写：" + word);
        System.out.println("替换大小写字符：" + SensitiveWordHelper.replace(text));

        text = "ｆｕｃｋ the bad words.";
        word = SensitiveWordHelper.findFirst(text);
        //Assert.assertEquals("ｆｕｃｋ", word);
        System.out.println("忽略半圆角：" + word);
        System.out.println("替换半圆角字符：" + SensitiveWordHelper.replace(text));

        text = "这个是我的微信：9⓿二肆⁹₈③⑸⒋➃㈤㊄";
        List<String> wordList = SensitiveWordBs.newInstance().enableNumCheck(true).init().findAll(text);
        //Assert.assertEquals("[9⓿二肆⁹₈③⑸⒋➃㈤㊄]", wordList.toString());
        System.out.println("忽略数字的写法：" + wordList.toString());
        System.out.println("替换数字字符：" + SensitiveWordBs.newInstance().enableNumCheck(true).init().replace(text));

        text = "我爱我的祖国和五星紅旗。";
        List<String> wordList1 = SensitiveWordHelper.findAll(text);
        //Assert.assertEquals("[五星紅旗]", wordList1.toString());
        System.out.println("检测敏感词简繁体格式是否存在：" + wordList1.toString());

        text = "Ⓕⓤc⒦ the bad words";
        List<String> wordList2 = SensitiveWordHelper.findAll(text);
        //Assert.assertEquals("[Ⓕⓤc⒦]", wordList2.toString());
        System.out.println("检测敏感词是否存在英文的书写格式：" + wordList2.toString());

        text = "ⒻⒻⒻfⓤuⓤ⒰cⓒ⒦ the bad words";
        List<String> wordList3 = SensitiveWordBs.newInstance()
                .ignoreRepeat(true)
                .init()
                .findAll(text);
        //Assert.assertEquals("[ⒻⒻⒻfⓤuⓤ⒰cⓒ⒦]", wordList3.toString());
        System.out.println("检测重复词每个字符是否重复：" + wordList3.toString());
    }

    // 实例：更多检测特性
    public static void testMoreFeatures() {
        // 1.邮箱检测(邮箱等个人信息，默认未启用。)
        String text = "楼主好人，邮箱 sensitiveword@xx.com";
        List<String> wordList = SensitiveWordBs.newInstance().enableEmailCheck(true).init().findAll(text);
        //Assert.assertEquals("[sensitiveword@xx.com]", wordList.toString());
        System.out.println("是否存在邮箱：" + wordList.toString());

        // 2.连续数字检测(一般用于过滤手机号/QQ等广告信息，默认未启用。)
        text = "你懂得：12345678";
        // 默认检测 8 位
        List<String> wordList1 = SensitiveWordBs.newInstance()
                .enableNumCheck(true)
                .init().findAll(text);
        //Assert.assertEquals("[12345678]", wordList.toString());
        System.out.println("是否存在连续数字字符串：" + wordList1);
        // 指定数字的长度，避免误杀
        List<String> wordList2 = SensitiveWordBs.newInstance()
                .enableNumCheck(true)
                .numCheckLen(9)
                .init().findAll(text);
        //Assert.assertEquals("[]", wordList2.toString());
        System.out.println("是否存在连续数字字符串2：" + wordList2.toString());

        // 3.网址检测(用于过滤常见的网址信息，默认未启用, v0.18.0 优化 URL 检测，更加严格，降低误判率)
        text = "点击链接 https://www.baidu.com 查看答案";
        SensitiveWordBs sensitiveWordBs = SensitiveWordBs.newInstance().enableUrlCheck(true).init();
        List<String> wordList3 = sensitiveWordBs.findAll(text);
        //Assert.assertEquals("[https://www.baidu.com]", wordList3.toString());
        //Assert.assertEquals("点击链接 ********************* 查看答案", sensitiveWordBs.replace(text));
        System.out.println("是否存在网址信息：" + wordList3.toString());
        System.out.println("是否存在网址信息2并替换：" + sensitiveWordBs.replace(text));

        // 4.IPv4 检测: 避免用户通过 ip 绕过网址检测等，默认未启用。
        text = "个人网站，如果网址打不开可以访问 127.0.0.1。";
        SensitiveWordBs sensitiveWordBs2 = SensitiveWordBs.newInstance().enableIpv4Check(true).init();
        List<String> wordList4 = sensitiveWordBs2.findAll(text);
        //Assert.assertEquals("[127.0.0.1]", wordList4.toString());
        System.out.println("是否存在 IPv4：" + wordList4.toString());
    }

    // 实例：自定义检测替换策略
    public static void testDefineReplace() {
        System.out.println("自定义敏感词替换策略：（策略：指定敏感词替换）");
        final String text = "五星红旗迎风飘扬，毛主席的画像屹立在天安门前。";
        MySensitiveWordReplace replace = new MySensitiveWordReplace();
        String result = SensitiveWordHelper.replace(text, replace);
        System.out.println("自定义替换策略结果：" + result);
    }
}

class MySensitiveWordReplace implements IWordReplace {

    @Override
    public void replace(StringBuilder stringBuilder, char[] chars, IWordResult wordResult, IWordContext iWordContext) {
        String sensitiveWord = InnerWordCharUtils.getString(chars, wordResult);
        // 自定义不同的敏感词替换策略，可以从数据库等地方读取
        if ("五星红旗".equals(sensitiveWord)) {
            stringBuilder.append("国家旗帜");
        } else if ("毛主席".equals(sensitiveWord)) {
            stringBuilder.append("教员");
        } else {
            // 其他默认使用 * 代替
            int wordLength = wordResult.endIndex() - wordResult.startIndex();
            for (int i = 0; i < wordLength; i++) {
                stringBuilder.append('*');
            }
        }
    }
}

输出结果展示：

是否包含铭感词：true
查找第一个铭感词：五星红旗
查找所有铭感词：[五星红旗, 毛主席, 天安门]
替换所有铭感词：****迎风飘扬，***的画像屹立在***前。
替换所有铭感词(指定替换符号)：⭐⭐⭐⭐迎风飘扬，⭐⭐⭐的画像屹立在⭐⭐⭐前。
自定义敏感词替换策略：（策略：指定敏感词替换）
自定义替换策略结果：国家旗帜迎风飘扬，教员的画像屹立在***前。
1.查找到所有铭感词：[五星红旗, 毛主席, 天安门]
2.默认内置处理(同直接查找到所有敏感词)：[五星红旗, 毛主席, 天安门]
3.查找敏感词单词本身的起始位置到终止位置：[WordResult{startIndex=0, endIndex=4, type='WORD'}, WordResult{startIndex=9, endIndex=12, type='WORD'}, WordResult{startIndex=18, endIndex=21, type='WORD'}]
其他属性
忽略大小写：fuCK
替换大小写字符：**** the bad words.
忽略半圆角：ｆｕｃｋ
替换半圆角字符：**** the bad words.
忽略数字的写法：[9⓿二肆⁹₈③⑸⒋➃㈤㊄]
替换数字字符：这个是我的微信：************
检测敏感词简繁体格式是否存在：[五星紅旗]
检测敏感词是否存在英文的书写格式：[Ⓕⓤc⒦]
检测重复词每个字符是否重复：[ⒻⒻⒻfⓤuⓤ⒰cⓒ⒦]
是否存在邮箱：[sensitiveword@xx.com]
是否存在连续数字字符串：[12345678]
是否存在连续数字字符串2：[]
是否存在网址信息：[https://www.baidu.com]
是否存在网址信息2并替换：点击链接 ********************* 查看答案
是否存在 IPv4：[127.0.0.1]

核心方法：查找 / 替换

使用JAVA开发敏感词检测工具的步骤及示例代码

更多的检测策略（自定义）

邮箱-网址-IPV4-连续字符检测

// 实例：更多检测特性
public static void testMoreFeatures() {
    // 1.邮箱检测(邮箱等个人信息，默认未启用。)
    String text = "楼主好人，邮箱 sensitiveword@xx.com";
    List<String> wordList = SensitiveWordBs.newInstance().enableEmailCheck(true).init().findAll(text);
    //Assert.assertEquals("[sensitiveword@xx.com]", wordList.toString());
    System.out.println("是否存在邮箱：" + wordList.toString());

    // 2.连续数字检测(一般用于过滤手机号/QQ等广告信息，默认未启用。)
    text = "你懂得：12345678";
    // 默认检测 8 位
    List<String> wordList1 = SensitiveWordBs.newInstance()
        .enableNumCheck(true)
        .init().findAll(text);
    //Assert.assertEquals("[12345678]", wordList.toString());
    System.out.println("是否存在连续数字字符串：" + wordList1);
    // 指定数字的长度，避免误杀
    List<String> wordList2 = SensitiveWordBs.newInstance()
        .enableNumCheck(true)
        .numCheckLen(9)
        .init().findAll(text);
    //Assert.assertEquals("[]", wordList2.toString());
    System.out.println("是否存在连续数字字符串2：" + wordList2.toString());

    // 3.网址检测(用于过滤常见的网址信息，默认未启用, v0.18.0 优化 URL 检测，更加严格，降低误判率)
    text = "点击链接 https://www.baidu.com 查看答案";
    SensitiveWordBs sensitiveWordBs = SensitiveWordBs.newInstance().enableUrlCheck(true).init();
    List<String> wordList3 = sensitiveWordBs.findAll(text);
    //Assert.assertEquals("[https://www.baidu.com]", wordList3.toString());
    //Assert.assertEquals("点击链接 ********************* 查看答案", sensitiveWordBs.replace(text));
    System.out.println("是否存在网址信息：" + wordList3.toString());
    System.out.println("是否存在网址信息2并替换：" + sensitiveWordBs.replace(text));

    // 4.IPv4 检测: 避免用户通过 ip 绕过网址检测等，默认未启用。
    text = "个人网站，如果网址打不开可以访问 127.0.0.1。";
    SensitiveWordBs sensitiveWordBs2 = SensitiveWordBs.newInstance().enableIpv4Check(true).init();
    List<String> wordList4 = sensitiveWordBs2.findAll(text);
    //Assert.assertEquals("[127.0.0.1]", wordList4.toString());
    System.out.println("是否存在 IPv4：" + wordList4.toString());
}

常规检测：大小写-特殊字符-重复字符-简繁体等

// 实例：常规忽略检测特性
public static void testOtherFeatures() {
    System.out.println("\n其他属性\n");
    String text = "fuCK the bad words.";
    String word = SensitiveWordHelper.findFirst(text);
    //Assert.assertEquals("fuCK", word);
    System.out.println("忽略大小写：" + word);
    System.out.println("替换大小写字符：" + SensitiveWordHelper.replace(text));

    text = "ｆｕｃｋ the bad words.";
    word = SensitiveWordHelper.findFirst(text);
    //Assert.assertEquals("ｆｕｃｋ", word);
    System.out.println("忽略半圆角：" + word);
    System.out.println("替换半圆角字符：" + SensitiveWordHelper.replace(text));

    text = "这个是我的微信：9⓿二肆⁹₈③⑸⒋➃㈤㊄";
    List<String> wordList = SensitiveWordBs.newInstance().enableNumCheck(true).init().findAll(text);
    //Assert.assertEquals("[9⓿二肆⁹₈③⑸⒋➃㈤㊄]", wordList.toString());
    System.out.println("忽略数字的写法：" + wordList.toString());
    System.out.println("替换数字字符：" + SensitiveWordBs.newInstance().enableNumCheck(true).init().replace(text));

    text = "我爱我的祖国和五星紅旗。";
    List<String> wordList1 = SensitiveWordHelper.findAll(text);
    //Assert.assertEquals("[五星紅旗]", wordList1.toString());
    System.out.println("检测敏感词简繁体格式是否存在：" + wordList1.toString());

    text = "Ⓕⓤc⒦ the bad words";
    List<String> wordList2 = SensitiveWordHelper.findAll(text);
    //Assert.assertEquals("[Ⓕⓤc⒦]", wordList2.toString());
    System.out.println("检测敏感词是否存在英文的书写格式：" + wordList2.toString());

    text = "ⒻⒻⒻfⓤuⓤ⒰cⓒ⒦ the bad words";
    List<String> wordList3 = SensitiveWordBs.newInstance()
        .ignoreRepeat(true)
        .init()
        .findAll(text);
    //Assert.assertEquals("[ⒻⒻⒻfⓤuⓤ⒰cⓒ⒦]", wordList3.toString());
    System.out.println("检测重复词每个字符是否重复：" + wordList3.toString());
}

自定义检测替换策略

自定义检测替换

class MySensitiveWordReplace implements IWordReplace {

    @Override
    public void replace(StringBuilder stringBuilder, char[] chars, IWordResult wordResult, IWordContext iWordContext) {
        String sensitiveWord = InnerWordCharUtils.getString(chars, wordResult);
        // 自定义不同的敏感词替换策略，可以从数据库等地方读取
        if ("五星红旗".equals(sensitiveWord)) {
            stringBuilder.append("国家旗帜");
        } else if ("毛主席".equals(sensitiveWord)) {
            stringBuilder.append("教员");
        } else {
            // 其他默认使用 * 代替
            int wordLength = wordResult.endIndex() - wordResult.startIndex();
            for (int i = 0; i < wordLength; i++) {
                stringBuilder.append('*');
            }
        }
    }
}

使用实例：

// 实例：自定义检测替换策略
public static void testDefineReplace() {
    System.out.println("自定义敏感词替换策略：（策略：指定敏感词替换）");
    final String text = "五星红旗迎风飘扬，毛主席的画像屹立在天安门前。";
    MySensitiveWordReplace replace = new MySensitiveWordReplace();
    String result = SensitiveWordHelper.replace(text, replace);
    System.out.println("自定义替换策略结果：" + result);
}

开源地址

https://github.com/houbb/sensitive-word

总结

通过本文的介绍，您已经了解了使用Java开发敏感词检测工具的基本步骤，包括创建敏感词库、实现检测算法以及测试工具的有效性。提供的示例代码展示了如何在实际项目中应用这些知识。敏感词检测工具不仅可以帮助企业维护信息发布的规范性，还能有效防止不良信息的传播。希望本文的内容对您有所帮助，期待您在实际开发中取得更多成果。

JAVA 敏感词检测工具

本文来源于#一名技术极客，由@蜜芽整理发布。如若内容造成侵权/违法违规/事实不符，请联系本站客服处理!

该文章观点仅代表作者本人，不代表本站立场。本站不承担相关法律责任。

如若转载，请注明出处：https://www.zhanid.com/biancheng/2194.html

THE END

蜜芽

故事不长，也不难讲，四字概括，毫无意义。

关注