在PHP中尝试从字符串中提取单词时出现问题

我正在尝试将字符串中的所有单词提取到数组中,但是我遇到了一些空格问题(& nbsp;).

这就是我做的：

//Clean data to text only
$data = strip_tags($data);
$data = htmlentities($data, ENT_QUOTES, 'UTF-8');
$data = html_entity_decode($data, ENT_QUOTES, 'UTF-8');
$data = htmlspecialchars_decode($data);
$data = mb_strtolower($data, 'UTF-8');

//Clean up text from special chrs I don't want as words
$data = str_replace(',', '', $data);
$data = str_replace('.', '', $data);
$data = str_replace(':', '', $data);
$data = str_replace(';', '', $data);
$data = str_replace('*', '', $data);
$data = str_replace('?', '', $data);
$data = str_replace('!', '', $data);
$data = str_replace('-', ' ', $data);
$data = str_replace("\n", ' ', $data);
$data = str_replace("\r", ' ', $data);
$data = str_replace("\t", ' ', $data);
$data = str_replace("\0", ' ', $data);
$data = str_replace("\x0B", ' ', $data);
$data = str_replace("&nbsp;", ' ', $data);

//Clean up duplicated spaces
do {
   $data = str_replace('  ', ' ', $data);
} while(strpos($data, '  ') !== false);

//Make array
$clean_data = explode(' ', $data);

echo "<pre>";
var_dump($clean_data);
echo "</pre>";

这输出：

array(58) {
  [0]=>
  string(5) " "
  [1]=>
  string(5) " "
  [2]=>
  string(11) "anläggning"
  [3]=>
  string(3) "med"
  [4]=>
  string(3) "den"
  [5]=>
  string(10) "erfarenhet"
  [6]=>
  string(3) "som"
}

如果我检查输出的源,我看到前两个数组值是& nbsp;.
无论我如何尝试,我都无法从字符串中删除它.有任何想法吗？

更新：
经过一些代码调整后,我设法得到以下输出：

array(56) {
  [0]=>
  string(1) "�" //Notice change. Instead of string length 5 it Now says 1. But still its garbage.
  [1]=>
  string(1) "�"
  [2]=>
  string(11) "anläggning"
  [3]=>
  string(3) "med"
  [4]=>
  string(3) "den"
  [5]=>
  string(10) "erfarenhet"
  [6]=>
  string(3) "som"
  [7]=>
  string(5) "finns"
  [8]=>
  string(4) "inom"

谢谢！

答案(对于懒人)：

即使你对这个问题的解决方法略有不同,但它从来没有真正解答为什么我遇到了上面遇到的问题(比如剩下的和其他奇怪的空间),我喜欢它,它比我的好多了原始代码.

感谢所有为此做出贡献的人！

//Clean data to text only
$data = strip_tags($data);
$data = html_entity_decode($data, ENT_QUOTES, 'UTF-8');
$data = htmlspecialchars_decode($data);
$data = mb_strtolower($data, 'UTF-8');

//Clean up text from special chrs
$data = str_replace(array("-"), ' ', $data);    

$clean_data = str_word_count($data, 1, 'äöå');

echo "<pre>";
var_dump($clean_data);
echo "</pre>";

解决方法:

好的,你唯一要做的就是更换& nbsp;您已经使用空格(仅当字符串确实包含& nbsp;检查@Andy E’s answer以确保您的数据不包含任何HTML实体时).：

$data = str_replace("&nbsp;", ' ', $data);

然后你可以用str_word_count得到这些词：

$words = str_word_count($data, 1, 'äöåÄÖÅ');

P.S.：首先调用htmlentities然后用html_entity_decode再次恢复它的意义是什么？

更新：示例：

$str = '      anläggning med den      erfahrenhet som åååÅ ÅÅ';
print_r(str_word_count($str, 1, 'äöåÄÖÅ'));

版画

Array
(
    [0] => anläggning
    [1] => med
    [2] => den
    [3] => erfahrenhet
    [4] => som
    [5] => åååÅ
    [6] => ÅÅ
)

阅读文档有帮助:)

在PHP中尝试从字符串中提取单词时出现问题

相关文章