Question

我正在php站点中创建一个jquery tagcloud。在我的mysql数据库中我有一个'tags'字段，其中会有一个逗号分隔的单词列表。我想用它们出现的频率产生一个单词数组。只是为了使事情复杂化，文本将全部用希伯来语（utf8编码）。

英文这个解决方案完美无缺：

$words = array_count_values(str_word_count($str, 1));
print_r($words);

取自php: sort and count instances of words in a given string

使用希伯来语文本，数组未填充。

我找到了这篇文章str_word_count() function doesn't display Arabic language properly，虽然它有效但它只提供了单词数的总计数，并且没有像上一个函数那样创建一个结果数组。

我希望结果看起来像这样：

Array
(
    [happy] => 4
    [beautiful] => 1
    [lines] => 3
    [pear] => 2
    [gin] => 1
    [rock] => 1
)

有什么建议吗？

Answer 1

虽然这不是您所希望的答案，但我会鼓励您首先重新考虑您的DB-Design。在一个字段中保存多个标记逗号并不是很聪明。您应该为标签构建一个单独的表，只有两列：

标签
相应对象/帖子的ID或您的应用程序的内容

有许多优点：

删除或添加标签更容易。
你可以获得你正在寻找的数组，而不需要一些带有单一SQL查询的糟糕的php代码，例如“选择标记，逐个标记的标记（id）”
当你有很多标签时，这会更容易，也更快。
最后但并非最不重要的是，我敢打赌（不确定），MySQL显然不会遇到不同字母的问题，显然你会在php中找到 -

Answer 2

可以使用PHP的PCRE函数的Unicode模式制作UTF-8（仅！）版本。

function utf8_str_word_count($string, $format = 0, $charlist = null) {
    if ($charlist === null) {
        $regex = '/\\pL[\\pL\\p{Mn}\'-]*/u';
    }
    else {
        $split = array_map('preg_quote', 
                           preg_split('//u',$charlist,-1,PREG_SPLIT_NO_EMPTY));
        $regex = sprintf('/(\\pL|%1$s)([\\pL\\p{Mn}\'-]|%1$s)*/u',
                         implode('|', $split));
    }

    switch ($format) {
        default:
        case 0:
            // For PHP >= 5.4.0 this is fine:
            return preg_match_all($regex, $string);

            // For PHP < 5.4 it's necessary to do this:
            // $results = null;
            // return preg_match_all($regex, $string, $results);
        case 1:
            $results = null;
            preg_match_all($regex, $string, $results);
            return $results[0];
        case 2:
            $results = null;
            preg_match_all($regex, $string, $results, PREG_OFFSET_CAPTURE);
            return empty($results[0])
                ? array()
                : array_combine(
                      array_map('end', $results[0]), 
                      array_map('reset', $results[0]));
    }
}

该函数尽可能地遵循str_word_count的语义;特别是，如果在str_word_count的以下注释中将“locale dependent”替换为“UTF-8”，则结果适用于此

出于此功能的目的，'word'被定义为语言环境依赖字符串，包含字母字符，也可以包含但不以“'”和“ - ”字符开头。

此外，字符'和-被视为单词的一部分，但无法启动;但是，$charlist参数中指定的任何字符都可以开始一个单词，这意味着指定'和/或-会稍微改变函数的工作方式。此行为也与原始str_word_count匹配。

值得注意的是，通过使\pL等字符属性正确替换\p{Greek}，您可以使该函数仅识别Unicode脚本的某些子集 - 请参阅PCRE Unicode reference。

php - 计算支持UTF8的数组中单词实例的数量

2 个答案: