AC自动机：如何用多模式串匹配实现敏感词过滤功能

------ 本文是学习算法的笔记，《数据结构与算法之美》，极客时间的课程 ------

很多支持用户发表文本内容的网站，比如BBS，大都会有敏感词过滤功能，用来过滤掉用户输入的一些反动谩骂等内容。你有没有想过，这个功能是怎么实现的呢？

实际上，这些功能最基本的原理就是字符串匹配算法，也就是通过维护一个敏感词的字典，当用户输入一段文字内容之后，通过字符串匹配算法，来查找用户输入的这段文字，是否包含敏感词。如果有，就用字符给替代掉。

我们前面讲过好几种字符串匹配算法了，它们都可以处理这个问题。但是，对于访问量巨大的网站来说，比如淘宝，每天的评论数有几亿，甚至几十亿。这时，对敏感词过渡系统的性能要求就很高。毕竟，我们也不想，用户输入内容之后，要等几秒才能发送出去吧？我们也不想，为了这个功能耗费过多的机器吧？那如何才能实现一个高性能的敏感词过渡系统呢？这就要用到今天的多模式匹配算法。

基于单模式串和Trie树实现的敏感词过滤

我们前面讲了多种字符串匹配算法，有BF算法、RK算法、BM算法、KMP算法，还有 Trie 树。前面四种都是单模式匹配算法，只有 Trie 树是多模式匹配算法。

我说过，单模式串匹配算法，是在一个模式串和一个主串之间进行匹配，也就是说，在一个主串中查找一个模式串。多模式串匹配算法，就是在多个模式串和一个主串之间做匹配，也就是说，在一个主串中查找多个模式串。

尽管，单模式串匹配算法也能完成多模式串的匹配工作。例如开篇的思考题，我们可以针对每个敏感词，通过单模式串匹配算法（比如KMP算法）与用户输入的文字内容进行匹配。但是，这样做的话，每个匹配过程都需要扫描一遍用户输入的内容。整个过程下来要扫描多次用户输入的内容。如果敏感词很多，比如几千个，并且用户输入的内容很长，假如有上千个字符，那我们就需要扫描几千遍这样的内容。很显然，这种处理思路比较低效。

与单模式匹配算法相比，多模式匹配算法在这个问题上处理就很高效了。它只需要扫描一遍主串，就能在主串中一次性查找多个模式串是否存在，从而大大提高匹配效率。我们知道，Trie 树是一种多模式串匹配算法。那如何用 Trie 实现敏感词过滤功能呢？

我们可以对敏感词字典进行预处理，构建成 Trie 树结构。这个预处理的操作只需要做一次，如果敏感词字典动态更新了，比如删除、添加了一个敏感词，那我们只需要动态更新一下 Trie 就可以了。

当用户输入一个文本内容后，我们把用户输入的内容作为主串，从第一个字符（假设是字符C）开始，在 Trie 树中匹配。当匹配到 Trie 的叶子节点，或者途中遇到不匹配字符的时候，我们将主串的开始位置后移一位，也就是从字符C的下一个字符开始，重新在 Trie 树中匹配。

基于 Trie 树的这种处理方法，有点类似单模式串匹配的BF算法。我们知道，单模式串匹配算法，KMP算法对BF算法进行改进，引入next数组，让匹配失败时，尽可能将模式串往后多滑动几位。借鉴单模式串的优化改进方法，能否对多模式串 Trie 树进行改进，进一步提高 Trie 的效率呢？这就要用到AC自动机算法了。