从文本字符串创建单词数组

Question

我想使用 PHP 将文本拆分为单个单词。 您知道如何实现这一目标吗？

我的方法：

function tokenizer($text) {
    $text = trim(strtolower($text));
    $punctuation = '/[^a-z0-9äöüß-]/';
    $result = preg_split($punctuation, $text, -1, PREG_SPLIT_NO_EMPTY);
    for ($i = 0; $i < count($result); $i++) {
        $result[$i] = trim($result[$i]);
    }
    return $result; // contains the single words
}
$text = 'This is an example text, it contains commas and full-stops. Exclamation marks, too! Question marks? All punctuation marks you know.';
print_r(tokenizer($text));

这是一个好方法吗？ 您有什么改进的想法吗？

提前致谢！

Answer 1

标记化 - strtok。

<?php
$text = 'This is an example text, it contains commas and full stops. Exclamation marks, too! Question marks? All punctuation marks you know.';
$delim = ' \n\t,.!?:;';

$tok = strtok($text, $delim);

while ($tok !== false) {
    echo "Word=$tok<br />";
    $tok = strtok($delim);
}
?>

Answer 2

我首先将字符串转换为小写，然后再将其拆分。 这将使 i 修饰符和随后的数组处理变得不必要。 此外，我会使用 \W 速记来表示非单词字符，并添加 + 乘数。

$text = 'This is an example text, it contains commas and full stops. Exclamation marks, too! Question marks? All punctuation marks you know.';
$result = preg_split('/\W+/', strtolower($text), -1, PREG_SPLIT_NO_EMPTY);

---

编辑   使用Unicode 字符属性 而不是 \W 按照 marcog 的建议。 像 [\p{P}\p{Z}] （标点符号和分隔符）之类的内容将覆盖比 \W 更具体的字符。

Answer 3

您还可以使用 PHP strtok() 函数从大字符串中获取字符串标记。 你可以像这样使用它：

 $result = array();
 // your original string
 $text = 'This is an example text, it contains commas and full stops. Exclamation marks, too! Question marks? All punctuation marks you know.';
 // you pass strtok() your string, and a delimiter to specify how tokens are separated. words are seperated by a space.
 $word = strtok($text,' ');
 while ( $word !== false ) {
     $result[] = $word;
     $word = strtok(' ');
 }

查看更多关于 strtok()

Answer 4

做：

str_word_count($text, 1);

或者如果你需要 unicode 支持：

function str_word_count_Helper($string, $format = 0, $search = null)
{
    $result = array();
    $matches = array();

    if (preg_match_all('~[\p{L}\p{Mn}\p{Pd}\'\x{2019}' . preg_quote($search, '~') . ']+~u', $string, $matches) > 0)
    {
        $result = $matches[0];
    }

    if ($format == 0)
    {
        return count($result);
    }

    return $result;
}

Answer 5

您还可以使用爆炸方法： http://php.net/manual/en/function .explode.php

$words = explode(" ", $sentence);

Answer 6

使用匹配任何 unicode 标点符号的 \p{P} 类，并结合 \s 空白类。

$result = preg_split('/((^\p{P}+)|(\p{P}*\s+\p{P}*)|(\p{P}+$))/', $text, -1, PREG_SPLIT_NO_EMPTY);

这将拆分为一组一个或多个空白字符，但也会吸收任何周围的标点符号。 它还匹配字符串开头或结尾的标点字符。 这会区分诸如“不”和“他说‘哎哟！’”等情况。