3

Trabajo con NodeJS, tenía un sistema que verificaba si un string contenía cierta palabra bloqueada, sin embargo, era fácil de esquivar el sistema. (Reemplazaba todos los carácteres unicode a "", así que es muy poco eficiente).

Me gustaría utilizar RegExp en caso de que sea posible, (usando regex101 para simularlo), el objetivo es detectar si una palabra ha sido escrita, pero el usuario intenta evitar que el sistema lo detecte.

Supongamos que la palabra fuck está bloqueada, entonces cuando el usuario lo escriba (de manera explícita), el sistema debe dar positivo, sin embargo, también debe hacerlo si repite una (o varias) letra/s (ej fuuck), si pone un espacio (ej f uck) o múltiples. Pero no debería dar positivo en palabras como brainfuck.

Lo que el sistema hará es, /<regex>/.test(string), y cuando éste devuelva true, la aplicación ejecutará unos métodos externos (de una librería externa).

Gracias por adelantado.

7
  • Mi pregunta es, ¿cómo puedo hacer tal cosa? En mi actual sistema hago .replace(/[^a-z ]/gi, "").toUpperCase() para eliminar todos los carácteres unicode, y luego buscar si existen palabras que coincidan con alguna de las que están guardadas en un array. Usando lo siguiente: message.split(" ").filter(w => wordFilter.includes(w)) (wordFilter son todas las palabras filtradas por el servidor). Commented el 3 mar. 2017 a las 18:39
  • Pero como está claro, ese sistema es muy poco eficiente (en los l33t, eliminaría los números en lugar de reemplazarlos por letras) y tampoco detecta palabras bloqueadas que tienen espacios u otras letras en su interior (repetidos, por ejemplo). Commented el 3 mar. 2017 a las 18:41
  • Vale, editaré la pregunta para centrarme en el primer paso. Commented el 3 mar. 2017 a las 18:52
  • @AntonioRoman: ...sistema que verificaba si un string contenía cierta palabra bloqueada ¿cuál sistema, una base de datos?, si es así, ¿por qué no crear las alternativas a las palabras en la base de datos como los ejemplos que colocas? es decir: noob, n o o b, f ukc, etc. Commented el 3 mar. 2017 a las 19:13
  • 1
    @AntonioRoman, no se si estás enterado de Perspective. aunque está en estado Beta, creo que puede ayudarte. Commented el 3 mar. 2017 a las 19:45

2 respuestas 2

4

Palabra completa. Para diferenciar fuck de brainfuck, utilizamos \b, que coinciden con los límites de palabra completa (o word boundaries).

/\bfuck\b/i


Caracteres repetidos. Para que coincida con cualquier cantidad de caracteres repetidos, usamos el cuantificador +, que repite la estructura anterior 1 o más veces. Así, /f+/ coincide con 1 a infinitas "f", o /f+u+/ podría coincidir con "fffffffffuu". Más info en Repetition.

/\bf+u+c+k+\b/i


Espacios intermedios. Para permitir cualquier cantidad de espacios entre las letras, usamos un espacio repetido con un asterisco (0 o más veces).

/\bf+ *u+ *c+ *k+\b/i


Otros caracteres intermedios. Para la solución que estás buscando, en vez de espacios, creo que te conviene permitir cualquier caracter no alfanumérico. \W coincide con caracteres que no son "catacteres de palabras", es decir cualquier caracter excepto [a-zA-Z0-9_]. De esta forma, coincidiría con textos como "(f)(u)(c)(k)". Más info en Shorthands.

/\bf+\W*u+\W*c+\W*k+\b/i

Demo:

let pruebas = [
    "prueba",
    "palabra fuck bloqueada",
    "palabra brainfuck está bien",
    "con espacios f u    c k",
    "caracteres repetidos fuuuucccckkk!!",
    "con símbolos F::u--C**K!!!"
  ],

  regex = /\bf+\W*u+\W*c+\W*k+\b/i;

for (let string of pruebas) {
  console.log(`"${string}" -->`, regex.test(string));
}



Múltiples palabras. Además, se pueden incluir más de una palabra dentro de la misma expresión regular, agrupando con (?:expresión1|expresión2). Por ejemplo, para que coincida con fuck o ban:

/\b(?:f+\W*u+\W*c+\W*k+|b+\W*a+\W*n+)\b/i

Si se tuviera una lista extremadamente larga, como no conozco los límites para cantidad de caracteres o del regex compilado (o cómo afectaría la eficiencia), se debería probar antes de implementar en caso de que se piense usar con muchísimas palabras.



Generar la expresión por código. Un punto esencial en esta solución es poder generar el regex dinámicamente. La siguiente función toma un array de palabras prohibidas y devuelve un objeto RegExp con el patrón de esta respuesta.

function regexDePalabrasProhibidas(arrListado) {
  let exprProhibida = arrListado.reduce(function(acum, item, index) {
    //unir las palabras con "|"
    return acum + (index ? "|" : "") +
      item.replace(/\w(?=(\w)?)/g, function(letra, tieneSiguiente) {
        //agregar "\W*" entre caracteres
        return letra + "+" + (tieneSiguiente ? "\\W*" : "");
      });
  }, "");
  //regex con límites de palabra y agrupado
  return new RegExp("\\b(?:" + exprProhibida + ")\\b", "i");
}



// --- EJEMPLO ---
let listado = [
    "fuck",
    "ban",
    "palabra3",
    "palabra4"
  ],
  regex,
  pruebas = [
    "prueba",
    "palabra fuck bloqueada",
    "palabra brainfuck está bien",
    "con espacios f u    c k",
    "caracteres repetidos fuuuucccckkk!!",
    "con símbolos F::u--C**K!!!",
    "frase con (b)(a)(n)"
  ];

regex = regexDePalabrasProhibidas(listado);

document.body.innerHTML = `Regex final: <code>/${regex.source}/${regex.flags}</code>`;
for (let string of pruebas) {
  console.log(`"${string}" -->`, regex.test(string));
}

1
  • 1
    Funciona a la perfección, con un tiempo de respuesta casi inferior a 1ms, es incluso mejor de lo que esperaba. +1 Commented el 4 mar. 2017 a las 14:52
0

Creo que la mejor manera de acercarse a este tipo de reconocimiento de datos es utilizando el Algoritmo Clasificador Bayesiano Ingenuo, donde utilizando características comparativas podrías clasificar las diferentes cadenas de texto para categorizarlas como ofensivas o no. Tu aplicación iría "aprendiendo" a diferenciarlas, basada en experiencias previas de identificación de patrones (Machine Learning).

Te recomiendo leer sobre este algoritmo y a que te interiorices en Machine Learning, ya que puede ser muy útil para este tipo de comportamientos.

Cito la referencia de Wikipedia sobre Machine Learning:

El aprendizaje automático o aprendizaje de máquinas (del inglés, "Machine Learning") es el subcampo de las ciencias de la computación y una rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender. De forma más concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una información suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento.

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.