如何使用php从数组中的html中获取单词？

Question

<?php
$html = file_get_contents('http://hypermedia.ids-mannheim.de/');
?>

这段代码以字符串形式向我返回网站的html。如何将字符串拆分成不同的单词？在获得数组中的单个单词后，我希望检测哪个单词是德语的……

Answer 1

$words = explode(' ', strip_tags($html));

或

$words = preg_split("/[\s,]+/", strip_tags($html));

第二种方法不仅将空格字符作为分隔符，还将制表符和逗号作为分隔符。

Answer 2

使用正则表达式，就像这样

#([\w]+)#i

代码示例：

if(preg_match_all('#([\w]+)\b#i', $text, $matches)) {
    foreach($matches[1] as $key => $word) {
        echo $word."\n";
    }
}

然后，你必须将它们与某种字典进行比较。

Answer 3

我认为你需要将你的问题分成几个步骤。首先解析返回的html字符串，找出哪个部分是html标记和结构。您可以使用DOM来实现此目的。

然后，您可以将innerHTML数据从标记中分离出来，并将innerHTML文本拆分为标记以获得一个数组。不知道最好的方法，但一个简单的数组正则表达式拆分就可以完成这项工作。

查找德语单词的有趣之处在于，可以将单词列表与字典进行匹配，也可以使用数组或映射。或者，更好的方法是使用DB (SQLlite可能比MySQL等真正的关系型数据库管理系统更好)。