sensitive-word-data

敏感词/违禁词/违法词/脏词原始词库。基于 DFA 算法实现的高性能 java 敏感词过滤工具框架。内置支持单词标签分类分级。请勿发布涉及政治、广告、营销、翻墙、违反国家法律法规等内容。高性能敏感词检测过滤组件，附带繁体简体互换，支持全角半角互换，汉字转拼音，模糊搜索等功能。Original lexicon of sensitive, prohibited, illegal and vulgar words. This is a high-performance Java sensitive word filtering tool framework implemented based on the DFA algorithm, with built-in support for word label classification and grading. Please do not publish content involving politics, advertisements, marketing, VPN circumvention, or violations of national laws and regulations. This high-performance sensitive word detection and filtering component also supports functions such as traditional and simplified Chinese conversion, full-width and half-width character conversion, Chinese character to pinyin conversion, and fuzzy search.

原始信息汇总

sensitive-word-data 数据集概述

基本描述

• 数据集名称：sensitive-word-data
• 配套工具：与 sensitive-word 配套使用
• 许可证：Apache2
• 作者：老马

主要特性

• 词库规模：6W+ 词库，持续优化更新
• 算法性能：基于 DFA 算法，性能为 7W+ QPS
• 核心功能：
  • 支持敏感词判断、返回、脱敏等操作
  • 支持格式转换（全角半角互换、英文大小写互换等）
  • 支持敏感词检测、邮箱检测、数字检测、网址检测等
  • 支持自定义替换策略
  • 支持用户自定义敏感词和白名单
  • 支持数据动态更新，实时生效
  • 支持敏感词标签接口+内置分类实现
  • 支持跳过特殊字符
  • 支持黑白名单单个新增/修改
  • 支持词匹配模式的两种模式

快速开始

环境要求

• JDK1.8+
• Maven 3.x+

Maven 引入

xml <dependency> <groupId>com.github.houbb</groupId> <artifactId>sensitive-word-data</artifactId> <version>1.0.0</version> </dependency>

相关项目

项目名称	描述
sensitive-word	高性能敏感词核心库
sensitive-word-data-admin	敏感词控台，前后端分离
sensitive	高性能日志脱敏组件
auto-log	统一日志切面组件
encryption-local	离线加密机组件
encryption	加密机标准API+本地客户端
encryption-server	加密机服务

拓展阅读

• 敏感词控台实现
• 敏感词标签文件
• 多版本特性更新记录（v0.10.0 至 v0.25.1）
• 相关技术文章（DFA 算法详解、脏词分类标签等）

NLP 开源矩阵

• pinyin 汉字转拼音
• pinyin2hanzi 拼音转汉字
• segment 高性能中文分词
• opencc4j 中文繁简体转换
• nlp-hanzi-similar 汉字相似度
• word-checker 拼写检测
• sensitive-word-data 敏感词

搜集汇总

数据集介绍

构建方式

敏感词数据集sensitive-word-data的构建依托于开源社区的协作贡献，采用动态更新机制确保词库的时效性。开发者通过GitHub平台接收用户提交的PR改进建议，并整合6W+基础词库，辅以自动化校验流程保障数据质量。词库与核心算法分离的设计理念，既满足了安卓端安全检测的特殊需求，也为后续功能拓展预留了空间。数据存储采用标准化字典结构，支持黑白名单的独立维护和实时生效。

特点

该数据集以DFA算法为核心实现7W+ QPS的高性能检测，具备多维度语言处理能力。特性涵盖全角半角转换、繁简体互换等12种文本变形策略，支持IPV4、URL等格式的专项检测。独创的标签分类体系实现敏感词多维度管理，动态加载机制允许用户自定义词条即时生效。跳过特殊字符的灵活匹配策略与黑白名单独立编辑功能，大幅提升了复杂场景下的适用性。

使用方法

用户通过Maven依赖引入数据集后，可基于Fluent API进行链式调用。使用流程包含初始化敏感词引擎、加载自定义词库、配置检测策略三个主要环节。系统提供结果返回、内容脱敏等标准接口，支持通过正则表达式实现高级匹配规则。对于分布式场景，建议搭配敏感词控台组件实现可视化管理和集群同步。开发者可依据result-condition-enhance特性实现多级过滤，或通过word-tag-impl模块进行细粒度分类处理。

背景与挑战

背景概述

sensitive-word-data数据集由开发者老马于2020年创建，旨在为敏感词检测提供高效、全面的词库支持。该数据集与sensitive-word核心库配套使用，专注于解决网络内容安全中的敏感词过滤问题。其核心研究问题在于如何通过大规模词库（6W+词汇）和高效算法（DFA算法，7W+ QPS）实现精准、实时的敏感词识别与处理。该数据集在内容审核、社交平台安全等领域具有重要影响力，支持多种语言特性（如繁简体转换、全角半角互换）和动态更新功能，为开发者提供了灵活的内容过滤解决方案。

当前挑战

该数据集面临的主要挑战包括：1) 敏感词识别领域的核心难题——如何平衡检测精度与性能，尤其在处理变体词（如拼音缩写、谐音字）时需兼顾召回率与误判率；2) 构建过程中的技术挑战，包括多语言符号处理（如全角/半角字符）、动态词库更新的实时性保障，以及特殊场景下的语义理解（如上下文相关的敏感词判定）；3) 数据维护的持续性挑战，需要持续跟踪网络新词、黑话变种等动态变化的敏感词汇，同时保持词库分类体系的科学性。

常用场景

经典使用场景

在自然语言处理领域，敏感词过滤是保障内容安全的重要环节。sensitive-word-data数据集凭借其6W+的高质量词库和高效的DFA算法，成为文本内容审核的经典工具。该数据集广泛应用于社交媒体、论坛评论和即时通讯等场景，能够实时检测并处理敏感信息，确保网络环境的健康与合规。其优雅的Fluent-API设计和动态更新机制，使得开发者能够轻松集成并适应不断变化的审核需求。

实际应用

实际应用中，该数据集已形成完整的内容安全解决方案。电商平台利用其过滤商品描述中的违规信息，新闻聚合网站通过API接口实现实时评论审核，移动应用开发者集成SDK保障UGC内容合规。特别在安卓生态中，独立词库设计满足了安全检测的轻量化需求，而敏感词控台系统则为企业提供了可视化的内容管理界面，极大降低了合规运营成本。

衍生相关工作

围绕该数据集已衍生出丰富的技术生态。sensitive-word核心库优化了多模式匹配算法，data-admin项目构建了分布式管理平台，相关研究论文探讨了基于标签的层次化过滤策略。在NLP矩阵中，它与拼音转换、中文分词等项目形成协同效应，共同推进了中文信息处理技术的发展。开源社区基于该数据集开展的敏感词演化分析、跨语言检测等研究，持续拓展着内容安全的技术边界。