在 PHP 中查找重复的单词而不指定单词本身

Question

我一直在为我想做的项目考虑一些事情，我不是高级用户，我只是在学习。 不知道这是否可能：

假设我们有 100 个 html 文档，其中包含许多表格和文本。

问题一是：有没有可能分析所有这些文本并找到重复的单词并计算它？

是的，可以用一些函数来做，但问题是：如果我们不知道会找到的词怎么办？ 也就是说，我们必须告诉代码一个词的含义。

例如，假设一个词是七个字符的并集，其想法是找到其他类似的模式并提及它。 什么是最好的方法来做到这一点？

非常感谢您提前。

例子：

搜索： 下一个短语的五个字符模式：

正文一：

“需要大海才能不破裂”

正文二：

“海洋是咸水体”

结果

Takes 1 
Break 1
water 1
Ocean 2

在此先感谢您的帮助。

Answer 1

function get_word_counts($phrases) {
   $counts = array();
    foreach ($phrases as $phrase) {
        $words = explode(' ', $phrase);
        foreach ($words as $word) {
          $word = preg_replace("#[^a-zA-Z\-]#", "", $word);
            $counts[$word] += 1;
        }
    }
    return $counts;
}

$phrases = array("It takes an ocean of water not to break!", "An ocean is a body of saline water, or so I am told.");

$counts = get_word_counts($phrases);
arsort($counts);
print_r($counts);

OUTPUT

Array
(
    [of] => 2
    [ocean] => 2
    [water] => 2
    [or] => 1
    [saline] => 1
    [body] => 1
    [so] => 1
    [I] => 1
    [told] => 1
    [a] => 1
    [am] => 1
    [An] => 1
    [an] => 1
    [takes] => 1
    [not] => 1
    [to] => 1
    [It] => 1
    [break] => 1
    [is] => 1
)

编辑
根据@Jack的评论更新以处理基本标点符号。

Answer 2

使用内置函数的另一种方法也忽略短词：

   function get_word_counts($text) 
   {
        $words = str_word_count($text, 1);
        foreach ($words as $k => $v) if (strlen($v) < 4) unset($words[$k]); // ignore short words
        $counts = array_count_values($words);
        return $counts;
    }
$counts = get_word_counts($text);
arsort($counts);        
print_r($counts);

注意：这假定一个文本块，如果处理一组短语添加foreach ($phrases as $phrase)等