利用PHP扩展trie_filter做敏感词过滤

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
/usr/local/php/bin/phpize

./configure  --with-php-config=/usr/local/php/bin/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（如：minganci.txt），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     

 (例：./dpp  /home/like/software/minganci.txt  minganci.dic

出现如下错误：

./dpp: error while loading shared libraries: libdatrie.so.1: cannot open shared object file: No such file or directory

解决方法：

#vi /etc/ld.so.conf  在里面加入：/usr/local/lib
然后运行：#/sbin/ldconfig，即解决

最后再：./dpp  /home/like/software/minganci.txt  minganci  )

 

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（我曾经犯过这样的错误：词典编码和文本编码不一样，生成的词典用不了），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

<?php  
/** 
 * trie_filter 敏感词过滤示例 
 *  
 * @author flyer0126 
 * @since  2013/08/26 
 **/  
  
// 载入词典，成功返回一个 Trie_Filter 资源句柄，失败返回 NULL  
$file = trie_filter_load("/usr/local/src/trie_filter/mgc.dic");  
var_dump($file);  
$str1 = "今天利用trie_filter做敏感词过滤示例";  
$str2 = "今天利用trie_filter做过滤示例";  
// 检测文本中是否含有词典中定义的敏感词(假设敏感词设定为：‘敏感词’)  
$res1 = trie_filter_search($file, $str1);  
$res2 = trie_filter_search($file, $str2);  
echo $res1 ? "存在敏感词" : "不存在敏感词";  
echo "<br/>";  
echo $res2 ? "存在敏感词" : "不存在敏感词";  
/** 
resource(1) of type (Trie tree filter) 
存在敏感词 
不存在敏感词 
**/