【发布时间】：2012-02-29 00:20:42
【问题描述】：
我正在为一个用 Python 编写的网络论坛过滤脏话。
作为其中的一部分，我正在尝试编写一个函数，该函数接受一个单词，并返回该单词的所有可能的模拟拼写，这些拼写使用视觉上相似的字符代替特定的字母（例如 s†å©køv€rƒ| øw)。
我预计随着时间的推移，我将不得不扩展此列表以涵盖人们的创造力，但互联网上的任何地方是否有一个列表可供我用作起点？
【问题讨论】：
-
我无法回答这个问题，但我不会使用返回一个单词所有可能的模拟拼写的函数。这可能非常多。相反，我会在查找坏词列表之前对帖子中的每个单词进行规范化，即在查找之前将“s†å©køv€rƒ|øw”转换为“stackoverflow”。
-
@PaulD.Waite：不，我不会。它不能解决问题，它只是一个旁注。您仍然需要有关字符映射的数据，这是这里的主要问题。 （而且我认为你的问题是完全有效的，而且很切题。）
-
有一些脚本和程序可以使单词变得更简单（切换大小写并将 o 替换为 0，3 替换为 e，等等。我先看看这些。
-
这个想法突然出现在我的脑海中——它既没有经过彻底的分析，也没有经过任何方式的测试。但是，如何 1. 选择一种字体 2. 创建所有字形的位图渲染 3. 定义位图的相似性度量（简单的一个：在标准边界框内的所有网格位置上相等与不同位值的比例）。 4. 计算字符对的相似度矩阵 5. 对字形进行相应的聚类 6. 为每个聚类选择一个代表（理想情况下，这些代表将作为 a-zA-Z0-9 出现）。然后过滤相当于将每个字符映射到正确的集群代表和字典查找。
标签： python unicode glyph profanity