我正在尝试为我的网页构建关键字,我希望从文本中提取关键字。 我有这个功能
function extractCommonWords($string){
$stopWords = array('и', 'или');
$string = preg_replace('/ss+/i', '', $string);
$string = trim($string);
$string = preg_replace('/[^a-zA-Z0-9 -]/', '', $string);
$string = strtolower($string);
preg_match_all('/\b.*?\b/i', $string, $matchWords);
$matchWords = $matchWords[0];
foreach ( $matchWords as $key=>$item ) {
if ( $item == '' || in_array(strtolower($item), $stopWords) || strlen($item) <= 3 ) {
unset($matchWords[$key]);
}
}
$wordCountArr = array();
if ( is_array($matchWords) ) {
foreach ( $matchWords as $key => $val ) {
$val = strtolower($val);
if ( isset($wordCountArr[$val]) ) {
$wordCountArr[$val]++;
} else {
$wordCountArr[$val] = 1;
}
}
}
arsort($wordCountArr);
$wordCountArr = array_slice($wordCountArr, 0, 10);
return $wordCountArr;
}
以下是我的尝试:
$text = "Текст кирилица";
$words = extractCommonWords($text);
echo implode(',', array_keys($words));
这个问题与西里尔字母有关。如何解决?
答案 0 :(得分:2)
西里尔字母是多字节字符。您需要使用PHP的multi-byte character function。
对于正则表达式,您需要添加/u
修饰符以使其符合unicode。
答案 1 :(得分:1)
您要替换的模式也会删除所有西里尔字符,因为a-z
将不匹配。
将其添加到字符类以保留西里尔字符:
\p{Cyrillic}
...并使用GolezTrol建议的修饰符u
。
$string = preg_replace('/[^\p{Cyrillic} a-zA-Z0-9 -]/u', '', $string);
如果你只想提取西里尔字,你不需要替换任何东西,只需使用它来匹配单词:
preg_match_all('/\b(\p{Cyrillic}+)\b/u', $string, $matchWords);