从文本字符串创建关键字 - 西里尔文的编码问题

Question

我正在寻找可以从文本字符串自动创建关键字的代码。下面的代码适用于拉丁字符，但如果我尝试将它与俄语（西里尔文）一起使用 - 结果只是逗号之间有空格。

我不确定问题出在哪里，但我相信它与编码有关。我试图用这个

对字符串进行编码

$string = preg_replace('/\s\s+/i', '', mb_strtolower(utf8_encode($string)));

但没有运气。结果是一样的。

另外，我在 $stopwords var 中只包含俄语单词

$stopWords = array('у','ни','на','да','и','нет','были','уже','лет','в','что','их','до','сих','пор','из','но','бы','чтобы','вы','была','было','мы','к','от','с','так','как','не','есть','ее','нам','для','вас','о','них','без');

这是原始代码

function extractCommonWords($string){
  $stopWords = array('i','a','about','an','and','are','as','at','be','by','com','de','en','for','from','how','in','is','it','la','of','on','or','that','the','this','to','was','what','when','where','who','will','with','und','the','www');

  $string = preg_replace('/\s\s+/i', '', $string); // replace whitespace
  $string = trim($string); // trim the string
  $string = preg_replace('/[^a-zA-Z0-9 -]/', '', $string); // only take alphanumerical characters, but keep the spaces and dashes too…
  $string = strtolower($string); // make it lowercase

  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;}

任何帮助将不胜感激。

Answer 1

西里尔字符由以下正则表达式匹配并从字符串中删除：

$string = preg_replace('/[^a-zA-Z0-9 -]/', '', $string);

为避免这种情况，请将word characters 与\w 匹配。但是您需要使用u (PCRE_UTF8) modifier 为\w 和朋友来匹配来自其他脚本（包括西里尔文）的字母。

$string = preg_replace('/[^\w -]+/u', '', $string);

---

还有一点，正则表达式/\b.*?\b/i 是错误的，原因有几个。但仔细想想，它可能会匹配同一个边界两次。

---

无论如何，我相信您不需要从字符串中删除不需要的字符。你只是想提取单词。您可以简单地使用 1 个正则表达式来匹配它们。

正则表达式匹配单词（使用 Unicode 脚本，包括西里尔文）

preg_match_all('/\w+/u', $string, $matchWords);

---

代码

function extractCommonWords($string){
    $stopWords = array('i','a','about','an','and','are','as','at','be','by','com','de','en','for','from','how','in','is','it','la','of','on','or','that','the','this','to','was','what','when','where','who','will','with','und','the','www');

    $string = strtolower($string);

    preg_match_all('/\w+/u', $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 ) {
          $val = mb_strtolower($val);
          if ( isset($wordCountArr[$val]) ) {
              $wordCountArr[$val]++;
          } else {
              $wordCountArr[$val] = 1;
          }
      }
    }

    arsort($wordCountArr);
    $wordCountArr = array_slice($wordCountArr, 0, 10);
    return $wordCountArr;
}


//for testing purposes
$sc = 'Hello there нам для!';
$result = extractCommonWords($sc);
print_r($result);

^{*免责声明：我什至没有阅读其余代码。我只是指出出了什么问题}

rextester demo