早上看到老赵的《一个较完整的关键字过滤解决方案（上）》文章，讲到怎样在项目中嵌入过滤方案的问题，以及提到 xingd 和 sumtec 两位大师发表的系列互拼的文章，在此我也忍不住谈谈自己遇到的问题以及一个的简化版的算法。
因为过滤关键字机制到处可见，于是聪明的网友就会想到各种各样的方法突破，例如：
1、中文会用繁体字的方法避开关键字扫描
2、在关键字中间插入无意思的特殊字符，例如 * & # @ 等，而且个数可变
3、使用谐音或拆字法变换关键字
在实现自己的算法时也有些问题：
4、随着时间推移，关键字列表会越来越大，有些论坛常用的正则表达式N次扫描的方法显得效率很低。
5、关键字有不同的严重级别，有些需要禁止，有些只需要替换，还有一些可能记录一下即可。
针对这些问题，可采用的应对方法：
1、加载关键字列表时，将所有的关键字转换成繁体字一份，以扫描繁体版的关键字；
这个转换工作只需一句就可以实现了：
s=Microsoft.VisualBasic.Strings.StrConv(word, Microsoft.VisualBasic.VbStrConv.TraditionalChinese, 0);
2、在扫描原文本时，如果遇到关键字的首个文字，忽略其后的特殊字符，直到下一个有意义的文字为止，当然这里需要在定义关键字列表时指定哪些才需要这样扫描，并不是所有关键字都采用这种方式；
例如有关键字 “你好”经常会被人输入成“你x好”或者“你xxxxx好”，那么在关键字列表里就需要定义成“你*好”，在匹配关键字时，如果遇到星号就忽略原文本下一个为特殊的字符。
3、遇到谐音和拆字时，没什么好办法了，只好将这些谐音词和拆分词也加入到关键字列表。
4、不用正则表达式或者 String.IndexOf方法，可以将所有关键字的首字相同的组成一个一个小组，然后在将首字放到一个散列表（HashTable/Dictionary），在扫描原文本时先在散列表里扫描，如果碰到了首字再扫描同组的关键字，这样简单处理一下效率可以提高很多。
还有一个比用散列表更好的方法，将散列表改成一个大小为char.MaxValue的数组，然后将首个文字转成int，即char->int，然后将关键词集合放到相应下标里。这样在扫描原文本时，将被扫描的字符转成int，然后试探数组相应下标的元素是否不为NULL。这样比用散列表会更快一些。
5、在定义关键字时，同时给一个“级别”属性，例如使用 E,R,B分别表示只记录、替换、禁止等情况。
于是关键字的列表如下所示：
你滚 E
他niang的 R
成*人*网*站 B
这里贴一下关键的部分代码：
Code
private WordGroup[] _wordTable;
public FilterResult Filter(ref string source,char replaceChar)
{
//NOTE::
// 如果方法返回 FilterResult.Replace或者FilterResult.Banned，则原字符串的某些字会被替代为星号，替代后的字符串可以由source取得
if (String.IsNullOrEmpty(source)) return FilterResult.Pass;
FilterResult result = FilterResult.Pass;
char[] tempString = null;
int start = 0;
for (; start < source.Length; start++)
{
WordGroup fw = _wordTable[fastToLower(source[start])];
if (fw != null)
{
for (int idx = 0; idx < fw.Count; idx++)
{
WordEntity we = fw.GetItem(idx);
int matchLength=0;
if (we.Word.Length==0 || checkString(source, we.Word, start + 1, out matchLength))
{
FilterResult fr = we.HandleType;
if (fr > result) result = fr; //记录最高级别的处理方法
if (fr == FilterResult.Replace || fr == FilterResult.Banned)
{
//替换关键字
if(tempString==null) tempString =source.ToCharArray();;
for (int pos = 0; pos < matchLength + 1; pos++)
{
tempString[pos + start] = replaceChar;
}
}
}
}
}
}
if (result > FilterResult.RecordOnly)
{
source = new string(tempString);
}
return result;
}
private bool checkString(string source, string keyword, int sourceStart, out int matchLength)
{
bool found = false;
int sourceOffset = 0;
int keyIndex = 0;
for (; keyIndex < keyword.Length; keyIndex++)
{
if (sourceOffset + sourceStart >= source.Length) break; //原始字符串已经全部搜索完毕
if (keyword[keyIndex] == '*')
{
//跳过可忽略的字符
while (sourceOffset + sourceStart < source.Length)
{
if (isIgnorableCharacter_CN(source[sourceOffset + sourceStart]))
sourceOffset++;
else
break;
}
}
else
{
//比较字母
if (fastToLower(source[sourceOffset + sourceStart]) == (int)keyword[keyIndex])
{
if (keyIndex == keyword.Length - 1)
{
found = true;
break;
}
}
else
{
break;
}
sourceOffset++;//移动原始字符串
}
}
//如果匹配中关键字，则返回原字符串中被匹配中的文字的长度，否则返回0
matchLength = sourceOffset + 1;
return found;
}
private int fastToLower(char character)
{
//将大写英文字母以及全/半角的英文字母转化为小写字母
int charVal = (int)character;
if (charVal <= 90)
{
if (charVal >= 65) //字母A-Z
return charVal - 65 + 97;
}
else if (charVal >= 65313)
{
if (charVal <= 65338)
return charVal - 65313 + 97; //全角大写A-Z
else if (charVal >= 65345 && charVal <= 65370)
return charVal - 65345 + 97; //全角小写a-z
}
return charVal;
}
private bool isIgnorableCharacter_CN(char character)
{
//NOTE::
// 中文表意字符的范围 4E00-9FA5
int charVal = (int)character;
return !(charVal >= 0x4e00 && charVal <= 0x9fa5);
}
// 单个过滤词条目
class WordEntity
{
public string Word { get; set; }
public FilterResult HandleType { get; set; }
}
// 过滤词的组
class WordGroup
{
//NOTE::用于装载一组具有同一个字开头的过滤词
private List<WordEntity> _words;
public WordGroup()
{
_words = new List<WordEntity>();
}
public void AppendWord(string word, FilterResult handleType)
{
AppendWord(new WordEntity() { Word = word, HandleType = handleType });
}
public void AppendWord(WordEntity word)
{
_words.Add(word);
}
public int Count
{
get { return _words.Count; }
}
public WordEntity GetItem(int index)
{
return _words[index];
}
}
NET技术：一个简单的关键字过滤算法，转载需保留来源！
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
