asp.NET 髒字過濾演算法 修改版

舊的演算法是簡單對每一個髒字調用一遍 string.replace，當然是用了StringBuilder。http://www.jb51.net/article/20575.htm。在我這裡測試的時候，RegEx要快一倍左右。但是還是不太滿意，應為我們網站上髒字過濾用的相當多，經過一番思考後，自己做了一個演算法。在自己的機器上測試了一下，使用原文中的髒字型檔，0x19c的字串長度，1000次迴圈，文本尋找耗時1933.47ms，RegEx用了1216.719ms，而我的演算法只用了34.125ms.

演算法的關鍵，還是使用空間來換時間，使用了2個全域的BitArray, 長度均為Char.MaxValue。其中一個BitArray用來判斷是否有某個char開頭的髒字，另一個BitArray用來判斷所有髒字中是否包含某個char。經過這兩個BitArray，可以做出快速判斷，之後就使用Hash Code來判斷完整的髒字，通過預先擷取的最大髒字長度最佳化遍曆過程。

需要的變數如下： 複製代碼 代碼如下:private Dictionary<string, object> hash = new Dictionary<string, object>();
private BitArray firstCharCheck = new BitArray(char.MaxValue);
private BitArray allCharCheck = new BitArray(char.MaxValue);
private int maxLength = 0;

其中hash只使用到了key，value都置為null。也可以使用.NET 3.5中的HashSet，或者使用Dictionary<string, int>，記錄髒字的出現次數。

初始化這些資料的方法如下： 複製代碼 代碼如下:foreach (string word in badwords)
{
if (!hash.ContainsKey(word))
{
hash.Add(word, null);
maxlength = Math.Max(maxlength, word.Length);
firstCharCheck[word[0]] = true;

foreach (char c in word)
{
allCharCheck[c] = true;
}
}
}

判斷髒字是否出現在一個字串中的代碼如下：

複製代碼 代碼如下:int index = 0;
int offset = 0;
while (index < text.Length)
{
if (!firstCharCheck[text[index]])
{
while (index < text.Length - 1 && !firstCharCheck[text[++index]]) ;
}

for (int j = 1; j <= Math.Min(maxlength, text.Length - index); j++)
{
if (!allCharCheck[text[index + j - 1]])
{
break;
}

string sub = text.Substring(index, j);

if (hash.ContainsKey(sub))
{
return true;
}
}

index++;
}

return false;

替換的代碼就不貼了，跟判斷包含類似，只不過不能發現一個髒字後就退出迴圈。如果出現髒字的可能不是很高，就沒有必要建立一個臨時的StringBuilder。

進一步，可以通過借鑒.NET源碼中string.GetHashCode()的實現，避免一次Substring的調用，提高效能。也可以設計遞進的HashCode實現，比如"helloworld"可以用"helloworl"的hash進一步計算，最佳化效率。

另外，也可以拋棄Hash，改用排序過的string[]，用BinarySearch來判斷sub是否為髒字。BinarySearch的結果是可以遞進的，即可以用尋找"helloworl"的結果來加速判斷"helloworld"。 （已測試，700個髒字，BinarySearch的效率有時會低很多。）
最後發一點牢騷，當初最早發的時候（http://www.jb51.net/article/20576.htm），僅僅是為了說明下自己的演算法，具體的代碼甚至還有一點錯誤。兩個事情讓我覺得心裡不很爽，一個是被亂七八糟的無數網站轉載而不說明出處，導致我後來的改進和錯誤修正達不到效果，二是一些人都願意看到最終的代碼，而不是理解我想要表達的最核心的設計，然後自己去考慮實現。