基于 Python 全库扫描敏感词

简介

敏感时期，新接到了个敏感词列表，要求把线上数据全扫一下，正常按业务逻辑挨个处理表处理字段还是相当费劲的，所以改了下策略，不如直接扫特定的库，先查库里有啥表，再挨个表遍历数据，如果数据的某个字段是字符串类型就过一下过滤器。

为了方便服务器运行，开发语言直接选 Python。

敏感词过滤算法都是成熟的，从 GitHub 随便找了个 SensitivePy，就没必要自己从头写了。

ShowCode

Python3.6 的 MySQLdb 有点问题，所以此处又重新装了下 pymysql，如果 MySQLdb 安装顺利就不需要前两行代码了

#-*- coding:utf-8 -*-
import pymysql
pymysql.install_as_MySQLdb()

import MySQLdb

下面是 DFA 过滤算法

class GFW(object):
    def __init__(self):
        self.d = {}

    #give a list of "ming gan ci"
    def set(self,keywords):
        p = self.d
        q = {}
        k = ''
        for word in keywords:
            word += chr(11)
            p = self.d
            for char in word:
                char = char.lower()
                if p=='':
                    q[k] = {}
                    p = q[k]
                if not (char in p):
                    p[char] = ''
                    q = p
                    k = char
                p = p[char]

        pass

    def check(self,text):
        """
        >>> gfw = GFW()
        >>> gfw.set(["abd","defz","bcz"])
        >>> print gfw.check("xabdabczabdxaadefz")
        [(1, 3, 'abd'), (5, 3, 'bcz'), (8, 3, 'abd'), (14, 4, 'defz')]
        """
        p = self.d
        i = 0 
        j = 0
        result = []
        ln = len(text)
        while i+j<ln:
            t = text[i+j].lower()
            #print i,j,hex(ord(t))
            if not (t in p):
                j = 0
                i += 1
                p = self.d
                continue
            p = p[t]
            j+=1
            #print p,i,j
            if chr(11) in p:
                p = self.d
                result.append((i,j,text[i:i+j]))
                i = i+j
                j = 0
        return result

基本工作也就这些，剩下的直接连库扫表就可以了

class MySql:
    def __init__(self, host, port, username, password):
        self.conn = MySQLdb.connect(host=host, port=int(port), user=username, passwd=password, charset="utf8")
        self.databases = []
        for each in self.query("show databases"):
            print("加载数据库 - ", each[0])

    def query(self, sql, args=()):
        cursor = self.conn.cursor()
        cursor.execute(sql, args)
        return cursor.fetchall()

gfw = GFW()
gfw.set(["敏感词一", "敏感词二"])

db = MySql("xxx", xxx, "xxx", "xxx")
db.query("use xxx")
for each in db.query("show tables"): 
    print("处理表：", each[0], "开始")

    total = 0
    startID = 0
    while True:
        list = db.query("select * from %s where id > %s order by id asc limit 1000" % (each[0], startID))
        if len(list) == 0:
            break
        for record in list:
            for field in record: 
                if isinstance(field, str) and len(gfw.check(field)) > 0:
                    print(each, record[0], gfw.check(field), "违规")
            startID = record[0]
            total = total + 1
    print("处理表：", each[0], "完成，共 ", total , "条记录")

All Done !

上面的代码演示了如何处理一个库里的所有表，如果库比较多可以在 show databases 后直接开循环，具体就不演示了。