PHP中文分词

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;  
} 

 

posted @ 2012-10-11 23:46  已經停更  阅读(2347)  评论(0编辑  收藏  举报