码迷,mamicode.com
首页 > Web开发 > 详细

PHP中文分词

时间:2016-05-05 09:39:28      阅读:159      评论:0      收藏:0      [点我收藏+]

标签:

最常见的词语二分法:

$str = ‘这是我的网站www.7di.net!‘
//$str = iconv(‘GB2312‘,‘UTF-8‘,$str); 
$result = spStr($str); 
print_r($result); 
   
/**
 * UTF-8版 中文二元分词
 */ 
function spStr($str
    $cstr = array(); 
   
    $search = array(",", "/", "\\", ".", ";", ":", "\"", "!", "~", "`", "^", "(", ")", "?", "-", "\t", "\n", "‘", "<", ">", "\r", "\r\n", "{1}quot;", "&", "%", "#", "@", "+", "=", "{", "}", "[", "]", ":", ")", "(", ".", "。", ",", "!", ";", "“", "”", "‘", "’", "[", "]", "、", "—", " ", "《", "》", "-", "…", "【", "】",); 
   
    $str = str_replace($search, " ", $str); 
    preg_match_all("/[a-zA-Z]+/", $str, $estr); 
    preg_match_all("/[0-9]+/", $str, $nstr); 
   
    $str = preg_replace("/[0-9a-zA-Z]+/", " ", $str); 
    $str = preg_replace("/\s{2,}/", " ", $str); 
   
    $str = explode(" ", trim($str)); 
   
    foreach ($str as $s) { 
        $l = strlen($s); 
   
        $bf = null; 
        for ($i= 0; $i< $l; $i=$i+3) { 
            $ns1 = $s{$i}.$s{$i+1}.$s{$i+2}; 
            if (isset($s{$i+3})) { 
                $ns2 = $s{$i+3}.$s{$i+4}.$s{$i+5}; 
                if (preg_match("/[\x80-\xff]{3}/",$ns2)) $cstr[] = $ns1.$ns2
            } else if ($i == 0) { 
                $cstr[] = $ns1
            
        
    
   
    $estr = isset($estr[0])?$estr[0]:array(); 
    $nstr = isset($nstr[0])?$nstr[0]:array(); 
   
    return array_merge($nstr,$estr,$cstr); 
}

 執行結果是:

Array ( [0] => 7 [1] => www [2] => di [3] => net [4] => 这是 [5] => 是我 [6] => 我的 [7] => 的网 [8] => 网站 )

 接下来,将以上结果转换为区位码,PHP代码是:

foreach ($result as $s) { 
    $s = iconv(‘UTF-8‘,‘GB2312‘,$s); 
    $code[] = gbCode($s); 
$code = implode(" ", $code); 
echo $code
   
function gbCode($str) { 
    $return = null; 
   
    if (!preg_match("/^[\x80-\xff]{2,}$/",$str)) return $str
   
    $len = strlen($str); 
    for ($i= 0; $i< $len; $i=$i+2) { 
        $return .= sprintf("%02d%02d",ord($str{$i})-160,ord($str{$i+1})-160); 
    
   
    return $return
}

 

PHP中文分词

标签:

原文地址:http://www.cnblogs.com/shouce/p/5460467.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!