如何计算阿拉伯语文本的关键词密度并用PHP实现-php教程-PHP中文网

如何计算阿拉伯语文本的关键词密度并用PHP实现

本文介绍阿拉伯语文本关键词密度的定义与计算原理，并提供兼容阿拉伯字符的PHP脚本实现方案，解决str_word_count()默认不识别阿拉伯字母的问题。

本文介绍阿拉伯语文本关键词密度的定义与计算原理，并提供兼容阿拉伯字符的php脚本实现方案，解决`str_word_count()`默认不识别阿拉伯字母的问题。

关键词密度（Keyword Density）指目标词汇在全文中出现频次占总词数的百分比，常用于内容分析与SEO评估。对于阿拉伯语等Unicode非ASCII语言，PHP原生str_word_count()函数默认仅识别英文字母（a–z、A–Z）及下划线作为“单词字符”，无法正确切分阿拉伯文字（如أ،ب،ت،ث…），导致统计失效。

✅ 正确处理阿拉伯文本的关键：自定义分词逻辑

由于阿拉伯语单词间无空格分隔（尤其在连写形式中），且包含变音符号（如َ ِ ُ）、叠音符（ّ）及起始/结束形变，推荐采用基于空格与常见标点的简单分词（适用于标准书写），再辅以Unicode规范化和清洗：

PHP

编写健壮的PHP代码，规避类型转换陷阱、数组怪癖及常见安全漏洞。

下载

<?php function calculateArabicKeywordDensity($text, $minLength = 2) {
    // 1. 移除HTML标签、多余空白及常见标点（保留阿拉伯字母、数字、空格）
    $cleaned = preg_replace('/[^\p{Arabic}\p{N}\s]/u', ' ', $text);
    $cleaned = preg_replace('/\s+/', ' ', trim($cleaned));

    // 2. 按空格分割（阿拉伯语通常以空格分词）
    $words = explode(' ', $cleaned);
    $words = array_filter($words, function($w) use ($minLength) {
        return mb_strlen(trim($w), 'UTF-8') >= $minLength;
    });

    if (empty($words)) {
        return [];
    }

    // 3. 统一转小写（阿拉伯语无大小写，但可标准化）
    $words = array_map(function($w) {
        return mb_strtolower($w, 'UTF-8');
    }, $words);

    $totalWords = count($words);
    $wordCount = array_count_values($words);
    arsort($wordCount);

    // 4. 计算密度并返回关联数组
    $result = [];
    foreach ($wordCount as $word => $count) {
        $density = ($count / $totalWords) * 100;
        $result[$word] = [
            'count' => $count,
            'density' => round($density, 2)
        ];
    }

    return $result;
}

// 使用示例
$arabicText = "مشروعنا يهدف إلى تحسين أداء البحث وتحليل المحتوى العربي بدقة عالية. تحسين البحث يعتمد على تحليل الكلمات المفتاحية مثل مشروع، بحث، محتوى.";
$densityData = calculateArabicKeywordDensity($arabicText);

foreach ($densityData as $word => $data) {
    echo htmlspecialchars($word) . " = {$data['count']}. Density: {$data['density']}%<br>\n";
}
?>

⚠️ 注意事项与优化建议

编码必须为UTF-8：确保PHP文件、数据库连接、HTML响应头均声明UTF-8，否则阿拉伯字符将乱码或截断；
*`mb_函数启用**：确认PHP已开启mbstring扩展（phpinfo()中检查），否则mb_strlen()、mb_strtolower()`不可用；
高级分词需求：如需处理连写词（كِتَابٌ）、词根提取（如كتب ← كتاب ← كتب），应集成专业库如PHP Arabic或调用外部NLP服务；
停用词过滤：实际应用中建议剔除高频虚词（مثل، إلى، في…），可维护一个阿拉伯语停用词表提升分析质量；
性能考量：对超长文本（如整页HTML），建议先用DOMDocument提取纯文本，再清洗，避免正则过度消耗内存。