DATA_MIDDLE_PLATFORM/Data_Middle_Platform_Server
3
0
Fork 0
Code Issues Pull Requests Actions 2 Packages Projects Releases Wiki Activity

[update] 数据处理-过滤配置补充

Browse Source
This commit is contained in:
Liuyang 2025-01-15 14:28:07 +08:00
parent 8b9649d2d3
commit aa05b784e2
2 changed files with 118 additions and 54 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

7
yudao-module-llm/yudao-module-llm-biz/pom.xml
View File

@ -78,6 +78,13 @@
<version>5.9</version>
</dependency>
<dependency>
<groupId>com.github.houbb</groupId>
<artifactId>sensitive-word</artifactId>
<version>0.24.0</version>
<scope>compile</scope>
</dependency>
</dependencies>
</project>

165
yudao-module-llm/yudao-module-llm-biz/src/main/java/cn/iocoder/yudao/module/llm/utils/DataProcessUtil.java
View File

@ -1,6 +1,8 @@
package cn.iocoder.yudao.module.llm.utils;
import com.github.houbb.opencc4j.util.ZhConverterUtil;
import com.github.houbb.sensitive.word.core.SensitiveWordHelper;
import lombok.extern.slf4j.Slf4j;
import java.time.Year;
import java.time.format.DateTimeFormatter;
@ -8,6 +10,7 @@ import java.util.*;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
@Slf4j
public class DataProcessUtil {
/*
@ -19,10 +22,11 @@ public class DataProcessUtil {
/**
* 移除不可见字
* 移除ASCII中的一些不可见字符, 如0-32 和127-160这两个范围
*
* @param input
* @return
*/
public static String removeNonVisibleAsciiChars(String input) {
public static String removeNonVisibleAsciiChars (String input) {
// 使用StringBuilder来构建正则表达式，因为我们需要动态地添加字符范围
StringBuilder regex = new StringBuilder();
regex.append("[\\x00-\\x1F]"); // 0-31范围的字符
@ -35,12 +39,13 @@ public class DataProcessUtil {
/**
* 移除不可见字符
*
* <p>
* 将不同的unicode空格比如  u2008，转成正常的空格
*
* @param input
* @return
*/
public static String convertUnicodeSpacesToNormalSpaces(String input) {
public static String convertUnicodeSpacesToNormalSpaces (String input) {
// Unicode空格字符的正则表达式，包括但不限于u2008等
String unicodeSpacesRegex = "[\\u0020\\u00A0\\u1680\\u2000-\\u200A\\u2028\\u2029\\u202F\\u205F\\u3000]";
@ -50,12 +55,13 @@ public class DataProcessUtil {
/**
* 移除不可见字符
*
* <p>
* 去除乱码和无意义的unicode
*
* @param input
* @return
*/
public static String removeNonPrintableUnicodeChars(String input) {
public static String removeNonPrintableUnicodeChars (String input) {
// 构建一个正则表达式，匹配所有非打印ASCII和非打印Unicode字符
// \p{C} 匹配所有控制字符和格式字符
// \p{Zs} 匹配所有空白分隔符（比如U+2000到U+200F之间的字符）
@ -78,12 +84,13 @@ public class DataProcessUtil {
/**
* 繁体转简体
*
* <p>
* 繁体转简体，如“不經意，妳的笑容”清洗成“不经意，你的笑容”
*
* @param input
* @return
*/
public static String traditionalToSimplified(String input) {
public static String traditionalToSimplified (String input) {
return ZhConverterUtil.toSimple(input);
}
@ -92,12 +99,13 @@ public class DataProcessUtil {
/**
* 去除网页标识符
*
* <p>
* 移除文档中的html标签，如<html>,<dev><p>等
*
* @param input
* @return
*/
public static String removeHtmlTags(String input) {
public static String removeHtmlTags (String input) {
if (input == null || input.isEmpty()) {
return input;
}
@ -108,20 +116,21 @@ public class DataProcessUtil {
// 这是一个简化的正则表达式，用于匹配常见的emoji表情符号。
// 请注意，它可能不会涵盖所有可能的emoji，因为Unicode标准在不断发展。
private static final String EMOJI_REGEX = "[\\uD83C-\\uD83D\\uD83E-\\uD83F\\u2600-\\u27FF"
+ "\\u2B00-\\u2BFF\\u2F00-\\u2FFF\\u3000-\\u303F"
+ "\\u3200-\\u32FF\\uA490-\\uA4CF\\uA900-\\uA97F"
+ "\\uAC00-\\uAC7F\\uAC80-\\uACFF\\uD700-\\uD7AF"
+ "\\uF900-\\uFAFF\\uFB00-\\uFB4F\\uFB50-\\uFDFF"
+ "\\uFE00-\\uFE6F\\uFE70-\\uFEFF\\uFF00-\\uFFEF]";
+ "\\u2B00-\\u2BFF\\u2F00-\\u2FFF\\u3000-\\u303F"
+ "\\u3200-\\u32FF\\uA490-\\uA4CF\\uA900-\\uA97F"
+ "\\uAC00-\\uAC7F\\uAC80-\\uACFF\\uD700-\\uD7AF"
+ "\\uF900-\\uFAFF\\uFB00-\\uFB4F\\uFB50-\\uFDFF"
+ "\\uFE00-\\uFE6F\\uFE70-\\uFEFF\\uFF00-\\uFFEF]";
/**
* 去除表情
*
* <p>
* 去除文档中的表情，如‘🐰’、‘👵’等
*
* @param input
* @return
*/
public static String removeEmojis(String input) {
public static String removeEmojis (String input) {
if (input == null || input.isEmpty()) {
return input;
}
@ -136,14 +145,14 @@ public class DataProcessUtil {
// 方法：计算字符串中的中文字符数量
// 注意：这里假设输入字符串只包含中文字符和可能的分隔符（如空格、标点符号等）
// 并且中文字符在UTF-16编码中占用两个char，但被视为一个逻辑字符
private static int countChineseChars(String input) {
private static int countChineseChars (String input) {
// 使用正则表达式匹配中文词汇，并计算匹配到的字符总数（这里需要除以2，因为每个中文字符占用两个char）
// 但为了简化，我们可以直接遍历字符，检查每个字符是否在中文范围内
int count = 0;
for (char c : input.toCharArray()) {
if (Character.UnicodeBlock.of(c) == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS
|| Character.UnicodeBlock.of(c) == Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS
|| Character.UnicodeBlock.of(c) == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_A
|| Character.UnicodeBlock.of(c) == Character.UnicodeBlock.CJK_COMPATIBILITY_IDEOGRAPHS
|| Character.UnicodeBlock.of(c) == Character.UnicodeBlock.CJK_UNIFIED_IDEOGRAPHS_EXTENSION_A
// 可以根据需要添加更多Unicode块
) {
count++;
@ -161,12 +170,13 @@ public class DataProcessUtil {
/**
* 检查文档的词数目
* 词数目不在指定范围会被过滤掉，如中文[1,1000000]
*
* @param text
* @param minChars
* @param maxChars
* @return
*/
public static List<String> filterWords(String text, int minChars, int maxChars) {
public static List<String> filterWords (String text, int minChars, int maxChars) {
List<String> result = new ArrayList<>();
Pattern pattern = Pattern.compile(CHINESE_WORD_REGEX);
Matcher matcher = pattern.matcher(text);
@ -183,13 +193,14 @@ public class DataProcessUtil {
/**
* 检查文档的字重复率
*
* <p>
* 如果字重复率太高，意味着文档中重复的字太多，文档会被过滤掉
* @param lines 文档行列表
* @param threshold // 设置字重复率的阈值，例如10%
*
* @param lines 文档行列表
* @param threshold // 设置字重复率的阈值，例如10%
* @return
*/
public static boolean calculateCharacterRepetitionRate(List<String> lines, double threshold) {
public static boolean calculateCharacterRepetitionRate (List<String> lines, double threshold) {
StringBuilder content = new StringBuilder();
for (String line : lines) {
content.append(line);
@ -222,7 +233,7 @@ public class DataProcessUtil {
}
// 简单的基于空格和标点符号的分词方法
private static List<String> tokenize(String text) {
private static List<String> tokenize (String text) {
// 使用正则表达式匹配非单词字符（包括空格、标点符号等），并将它们作为分隔符
Pattern pattern = Pattern.compile("\\W+");
String[] words = pattern.split(text.toLowerCase()); // 转换为小写以进行不区分大小写的比较
@ -239,13 +250,14 @@ public class DataProcessUtil {
/**
* 检查文档的词重复率
*
* <p>
* 如果词重复率太高，意味着文档中重复的词太多，文档会被过滤掉
*
* @param content
* @param threshold
* @return
*/
public static boolean calculateWordRepetitionRate(String content, double threshold) {
public static boolean calculateWordRepetitionRate (String content, double threshold) {
// 分词
List<String> words = tokenize(content);
@ -278,11 +290,12 @@ public class DataProcessUtil {
/**
* 检查文档的特殊字符率
* 如果特殊字符率太高，意味着文档中特殊字符太多，文档会被过滤掉
*
* @param content
* @param threshold
* @return
*/
public static boolean checkSpecialCharacterRate(String content, double threshold) {
public static boolean checkSpecialCharacterRate (String content, double threshold) {
// 使用正则表达式匹配特殊字符（非字母数字字符）
Pattern pattern = Pattern.compile("[^a-zA-Z0-9]");
@ -308,6 +321,48 @@ public class DataProcessUtil {
return specialCharRate > threshold;
}
/**
* 检查文档的色情暴力词率
* <p>
* 如果色情暴力词率太高，文档会被过滤掉，取值范围[0,100]。
* </p>
*
* @param content 文本内容
* @param threshold 阈值
* @return 是否过滤文档
*/
public static boolean checkSensitiveWordRate (String content, double threshold) {
// TODO: 先使用 sensitive-word 处理，有修改再调整
// 检测是否包含色情暴力词
boolean isFalse = SensitiveWordHelper.contains(content);
if (!isFalse){
return false;
}
//返回所有敏感词
List<String> wordList = SensitiveWordHelper.findAll(content);
log.info("返回所有敏感词====>>>>{}", wordList);
// 统计敏感词的字符数量
int sensitiveWordLength = 0;
for (String word : wordList) {
sensitiveWordLength += word.length();
}
// 计算文档的总字符数（不包括换行符等空白字符，可以根据需要调整）
// 或者使用 content.replaceAll("\\s+", "").length() 来排除空白字符
int totalCharCount = content.length();
// 计算敏感词长度占总长度的百分比
double specialCharRate = ((double) sensitiveWordLength / totalCharCount) * 100;
// 打印敏感词字符率和阈值，方便调试
log.info("敏感词字符率: {}", String.format("%.3f", specialCharRate));
log.info("阈值: {}", threshold);
// 如果敏感词字符率超过阈值，返回true表示需要过滤掉文档
return specialCharRate > threshold;
}
/*
* ---------------------------------------------------------------
* 🔖 【 去重配置 】
@ -327,7 +382,7 @@ public class DataProcessUtil {
private static final Pattern EMAIL_PATTERN = Pattern.compile(EMAIL_REGEX);
// 去除文本中的电子邮件地址
private static String removeEmails(String text) {
private static String removeEmails (String text) {
Matcher matcher = EMAIL_PATTERN.matcher(text);
// 使用空字符串替换匹配的电子邮件地址
return matcher.replaceAll("");
@ -335,11 +390,12 @@ public class DataProcessUtil {
/**
* 去除Email
*
* <p>
* 去除email地址
*
* @param content
*/
public static String processFile(String content) {
public static String processFile (String content) {
// 去除电子邮件地址
String modifiedContent = removeEmails(content);
@ -352,9 +408,9 @@ public class DataProcessUtil {
// 定义一个正则表达式来匹配IPv4地址
private static final String IPV4_REGEX =
"(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\." +
"(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\." +
"(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\." +
"(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)";
"(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\." +
"(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\\." +
"(25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)";
// 定义一个正则表达式来匹配IPv6地址
// 这个正则表达式相对简单，可能无法匹配所有复杂的IPv6地址格式
@ -371,7 +427,7 @@ public class DataProcessUtil {
/**
* 去除文本中的IPv4和IPv6地址
*/
public static String removeIPAddresses(String text) {
public static String removeIPAddresses (String text) {
Matcher ipv4Matcher = IPV4_PATTERN.matcher(text);
text = ipv4Matcher.replaceAll("");
Matcher ipv6Matcher = IPV6_PATTERN.matcher(text);
@ -407,12 +463,13 @@ public class DataProcessUtil {
/**
* 去除数字
*
* <p>
* 去除数字和字母数字标识符，如电话号码、信用卡号、十六进制散列等，同时跳过年份和简单数字的实例
*
* @param text
* @return
*/
public static String removeIdentifiers(String text) {
public static String removeIdentifiers (String text) {
Matcher phoneMatcher = PHONE_PATTERN.matcher(text);
text = phoneMatcher.replaceAll("");
@ -424,27 +481,27 @@ public class DataProcessUtil {
// 使用StringBuilder和StringBuilder的replace方法去除其他数字，但跳过年份和简单数字
// TODO: 这里目前有bug，先注释掉了。
// StringBuilder sb = new StringBuilder(text);
// int index = 0;
// while ((index = findNextNumberToReplace(sb.toString())) != -1) {
// String number = sb.substring(index, findEndOfNumber(sb.toString(), index));
// if (!isYear(number) && !isSimpleNumber(number)) {
// sb.replace(index, index + number.length(), "");
// }
// }
// StringBuilder sb = new StringBuilder(text);
// int index = 0;
// while ((index = findNextNumberToReplace(sb.toString())) != -1) {
// String number = sb.substring(index, findEndOfNumber(sb.toString(), index));
// if (!isYear(number) && !isSimpleNumber(number)) {
// sb.replace(index, index + number.length(), "");
// }
// }
return text;
}
// 查找下一个要替换的数字的起始索引
private static int findNextNumberToReplace(String text) {
private static int findNextNumberToReplace (String text) {
// 这里可以添加更复杂的逻辑来定位要替换的数字，但为了简化，我们假设数字以空格或非数字字符分隔
for (int i = 0; i < text.length(); i++) {
char c = text.charAt(i);
if (Character.isDigit(c) || (c >= 'a' && c <= 'f') || (c >= 'A' && c <= 'F')) {
// 找到数字的起始位置
while (i < text.length() && (Character.isDigit(text.charAt(i)) ||
(text.charAt(i) >= 'a' && text.charAt(i) <= 'f') ||
(text.charAt(i) >= 'A' && text.charAt(i) <= 'F'))) {
(text.charAt(i) >= 'a' && text.charAt(i) <= 'f') ||
(text.charAt(i) >= 'A' && text.charAt(i) <= 'F'))) {
i++;
}
// 返回数字的起始索引（减1，因为我们要在循环外部处理i的递增）
@ -455,12 +512,12 @@ public class DataProcessUtil {
}
// 找到数字的结束索引
private static int findEndOfNumber(String text, int startIndex) {
private static int findEndOfNumber (String text, int startIndex) {
// 从startIndex开始向后查找，直到遇到非数字字符
for (int i = startIndex; i < text.length(); i++) {
if (!(Character.isDigit(text.charAt(i)) ||
(text.charAt(i) >= 'a' && text.charAt(i) <= 'f') ||
(text.charAt(i) >= 'A' && text.charAt(i) <= 'F'))) {
(text.charAt(i) >= 'a' && text.charAt(i) <= 'f') ||
(text.charAt(i) >= 'A' && text.charAt(i) <= 'F'))) {
return i;
}
}
@ -468,7 +525,7 @@ public class DataProcessUtil {
}
// 检查一个字符串是否是年份
private static boolean isYear(String str) {
private static boolean isYear (String str) {
try {
int year = Integer.parseInt(str);
Year y = Year.parse(str, YEAR_FORMAT);
@ -479,7 +536,7 @@ public class DataProcessUtil {
}
// 检查一个字符串是否是简单数字（这里假设不超过六位的连续数字）
private static boolean isSimpleNumber(String str) {
private static boolean isSimpleNumber (String str) {
try {
int number = Integer.parseInt(str);
return String.valueOf(number).equals(str) && number >= 0 && number < 1000000;
@ -488,7 +545,7 @@ public class DataProcessUtil {
}
}
public static void main(String[] args) {
public static void main (String[] args) {
String textWithIdentifiers = "Here are some identifiers: 123-456-7890, 1234567812345678, a1b2c3d4e5f6a1b2c3d4e5f6, 2023, and 987654.";
// 去除标识符
String textWithoutIdentifiers = removeIdentifiers(textWithIdentifiers);