PHP: разбор Юникод-строки на слова и количество гласных в ней...
Что делает пример - в заголовке. Разбор довольно примитивный, хотя, в данном случае, всё равно удобнее всего именно регулярные выражения. Логика скрипта почти такая же, как тут, только, для разнообразия, мы иначе фильтруем данные, поступившие из формы ввода и после обработки возвращаем ввод пользователя с помощью HTML-тега "скрытого поля формы".
Функции urlencode и urldecode для обмена данными между формой и скриптом применяются, скорее, для понта, хотя по правилам так и надо делать.
При работе с этими функциями следует учесть их неприятную особенность -
Будьте внимательны с переменными, которые могут совпадать с элементами HTML. Такие сущности как &, © и £ разбираются браузером и используется как реальная сущность, а не желаемое имя переменной. Это очевидный конфликт, на который W3C указывает в течение многих лет. См. подробности: http://www.w3.org/TR/html4/appendix/notes.html#h-B.2.2
Соответственно, такие "слова" как & или " покажут совсем "не свою" длину, а длину своих HTML-сущностей. Кроме того, даже независимо от их использования или не-использования, сущность может быть написана в HTML-форме "вручную", например, как &.
Поэтому мы просто заменяем все русские и английские "не буквы" на пробелы с помощью preg_replace,
бьём юникод-строку на слова с помощью preg_split,
избавляемся от пустых "слов" с помощью array_diff (формально этот шаг можно было и не делать),
а затем в цикле foreach обрабатываем юникод-текст с помощью функций PHP для работы с многобайтовыми строками, находя длину каждого слова в символах, преобразуя его в верхний регистр и определяя количество русских плюс английских гласных букв, для
последней цели пришлось написать простенькую функцию mb_vowels.
<!DOCTYPE html>
<html><head>
<meta charset=utf-8>
<title>Строки Юникод</title></head><body>
<?php
$data = isset($_POST['data']) ? trim(strip_tags($_POST['data'])) : '';
if (isset($_POST['back'])) $data = urldecode($data);
if (isset($_POST['action'])) {
$result = '';
$count = 1;
$words = preg_replace ("/[^a-zа-яё]+/msiu"," ", $data);
$words = preg_split ("/[\s]+/msiu", $words);
$words = array_diff ($words, array ('',' '));
foreach ($words as $w) {
if (!preg_match ("/[a-zа-яё]+/msiu",$w,$matches)) continue;
$w = $matches[0];
$result .= '<p>Элемент '.$count++.': <b>'.$w.'</b>, длина='.mb_strlen($w,'UTF-8').
', регистр='.mb_convert_case($w,MB_CASE_UPPER,'UTF-8').
', гласных='.mb_vowels($w).'</p>'."\n";
}
echo '<p>'.$result.'</p>'."\n";
echo '<p><form method="post" action="'.$_SERVER['HTTP_REFERER'].'">
<input type="hidden" name="data" value="'.urlencode($data).'">
<input type="submit" name="back" value="Вернуться">
</form>'."\n";
}
else {
echo '<form method="post">
<input type="text" name="data" value="'.htmlspecialchars($data).'" size="40" maxlength="128">
<input type="submit" name="action" value="Отправить">
</form>'."\n";
}
function mb_vowels ($s) {
$vowels = "AEIOUYАЕЁИОУЫЭЮЯ";
$len = mb_strlen ($s,'UTF-8');
$cnt = 0;
for ($i=0; $i<$len; $i++)
if (mb_stripos ($vowels, mb_substr($s,$i,1,'UTF-8'), 0, 'UTF-8') !== false) $cnt++;
return $cnt;
}
?>
</body></html>
Файл нужно сохранять в Юникоде (UTF-8). Чтобы работало на "Денвере", по умолчанию настроенном на Windows-кодировку, создайте в папке со скриптом файл .htaccess с содержимым
AddDefaultCharset utf-8
Для строки
&'ABYRKA',,,,"Ёлку" тебе в 'ротовое' отверстие &&&
вывод будет таким
Элемент 1: amp, длина=3, регистр=AMP, гласных=1 Элемент 2: ABYRKA, длина=6, регистр=ABYRKA, гласных=3 Элемент 3: Ёлку, длина=4, регистр=ЁЛКУ, гласных=2 Элемент 4: тебе, длина=4, регистр=ТЕБЕ, гласных=2 Элемент 5: в, длина=1, регистр=В, гласных=0 Элемент 6: ротовое, длина=7, регистр=РОТОВОЕ, гласных=4 Элемент 7: отверстие, длина=9, регистр=ОТВЕРСТИЕ, гласных=4
То есть "amp" всё равно посчитается как слово. Но кто знает, может, юзер такое слово и хотел? :)
P.S. А вот основанный на той же идее, но более примитивный разбор строки $data на слова, работающий при условии, что скрипт записан не в Юникоде, а в однобайтовой кодировке (русская Windows). Здесь мы не преобразуем регистр символов, но делим найденные слова на "хорошие" (состоящие только из букв) и "плохие" (в которых могут быть также дефис или цифры).
<!DOCTYPE html>
<html dir="ltr" lang="ru-RU">
<head>
<meta charset="windows-1251">
<title>Мини-разбор текста на слова</title>
</head>
<body>
<?php
$data = "Я текст,кото-рый нужно12 разобрать\n\nна слова.Второе предложение!";
$words = preg_replace ("/[^a-zA-Zа-яА-ЯёЁ\-0-9]+/"," ",$data);
$words = preg_split ("/[\s]+/",$words);
$words = array_diff ($words, array ('',' '));
foreach ($words as $word) {
if (preg_match("/^[a-zA-Zа-яА-ЯёЁ]+$/",$word)) echo "<br><b>$word</b>, good";
else echo "<br><b>$word</b>, bad";
}
?>
</body>
</html>
P.P.S. Если нужно просто "разобрать на слова строку текста, записанную в Юникоде", легче всего это сделать по показанному ниже примеру. Сначала заботимся о цепочках разделителей, заменяя их на одиночные пробелы, потом убираем из строки всё, кроме латинских и русских букв + пробелов, естественно, можно разрешить в [^a-zа-яё\ ] и любые другие символы.
<!DOCTYPE html>
<html><head><meta charset="utf-8"><title>$words</title></head><body>
<?php
$data = " Хочу, чтоб жи-ли\nдолго Nobody! ";
$words = preg_replace (
array ("/\s+/msui","/[^a-zа-яё\ ]/msui"),
array (" ",""),
$data);
echo $words;
?>
</body></html>
12.10.2016, 14:40 [5026 просмотров]