php – 从文本块中提取相关标记/关键字

一个非常天真的方法是从文本中删除常见的 stopwords,留下更多有意义的单词,如“标准”,“JSON”等.但是你仍会得到很多噪音,所以你可以考虑像 OpenCalais那样的服务对您的文本进行相当复杂的分析.

更新：

好的,我之前回答中的链接指向了实现,但是你要求一个,所以这里有一个简单的：

function stopWords($text,$stopwords) {

  // Remove line breaks and spaces from stopwords
    $stopwords = array_map(function($x){return trim(strtolower($x));},$stopwords);

  // Replace all non-word chars with comma
  $pattern = '/[0-9\W]/';
  $text = preg_replace($pattern,',$text);

  // Create an array from $text
  $text_array = explode(",",$text);

  // remove whitespace and lowercase words in $text
  $text_array = array_map(function($x){return trim(strtolower($x));},$text_array);

  foreach ($text_array as $term) {
    if (!in_array($term,$stopwords)) {
      $keywords[] = $term;
    }
  };

  return array_filter($keywords);
}

$stopwords = file('stop_words.txt');
$text = "Requirements - Working kNowledge,on LAMP Environment using Linux,MysqL 5 and PHP 5,- KNowledge of Web 2.0 Standards - Comfortable with JSON - Hands on Experience on working with Frameworks,OOPs - Cross browser Javascripting,JQuery etc. - KNowledge of Version Control Software such as sub-version will be preferable.";

print_r(stopWords($text,$stopwords));

你可以在这个Gist中看到这个,以及stop_word.txt的内容.

在示例文本上运行上面的内容会生成以下数组：

Array
(
    [0] => requirements
    [4] => linux
    [6] => apache
    [10] => MysqL
    [13] => PHP
    [25] => json
    [28] => frameworks
    [30] => zend
    [34] => browser
    [35] => javascripting
    [37] => jquery
    [38] => etc
    [42] => software
    [43] => preferable
)

所以,就像我说的那样,这有些天真并且可以使用更多的优化(加上它很慢),但它会从文本中提取更相关的关键字.您还需要对停用词进行一些微调.捕获像Web 2.0这样的术语将非常困难,所以我认为你最好使用像OpenCalais这样可以理解文本并返回实体和引用列表的严肃服务. DocumentCloud依靠这项服务从文件中收集信息.

此外,对于客户端实现,您可以使用JavaScript执行几乎相同的操作,并且可能更清晰(尽管对于客户端来说可能会很慢).