从域中提取单词

Question

我有一堆域想要分解成单词。我从 wordlist.sourceforge.net 下载了 wordlist，并开始编写暴力类型的脚本来通过字典列表运行每个域。

问题是我无法让它产生足够好的结果。我所做的简单脚本如下所示：

foreach($domains as $dom) {
    $orig_dom = $dom;
    foreach($words as $w) {
        $pos = stristr($dom,$w);
        if($pos) {
            $wd[$orig_dom][] = $w;
        }
    }
}

$words 是字典数组，domains 只是域名数组。

结果看起来像这样：

[aheadsoftware] => Array
    (
        [0] => ahead
        [1] => head
        [2] => heads
        [3] => soft
        [4] => software
        [5] => ware

从技术上讲它是有效的，但我不知道如何编码是让脚本理解如果你匹配“ahead”，你就不再有“head”或“heads”的技巧。它还应该理解选择“软件”而不是“软件”和“软件”。是的，我知道，语言计算的世界纯粹是痛苦；）

Answer 1

一个天真的解决方案可能是每次您有匹配项时，在将单词添加到结果中之前，再进行一次 stristr 查找，看看您尝试放入结果中的单词是否包含在任何那里已经有的话了。如果是，请不要添加它。

例如，如果域包含“heads”并且您的字典首先列出“head”，则这将不起作用。您可能宁愿将“正面”添加到结果中，而不是“正面”。

您可以通过检查哪一个更长来绕过这一限制。如果结果中包含的单词较长，请不要添加新单词。如果新单词较长，请删除结果中已有的单词并添加新单词。