php-计算支持UTF8的数组中单词的实例数

我正在一个php站点中创建一个jquery标记云。 在我的mysql数据库中，我有一个“tags”字段，其中有一个逗号分隔的单词列表。 我想产生一个单词数组，它们的出现频率。 让事情复杂化的是，文本将全部用希伯来语utf8编码

在英语中，此解决方案非常有效：

$words = array_count_values(str_word_count($str, 1));
print_r($words);

从这里开始

对于希伯来文文本，数组不填充

我找到了这篇文章，虽然它有效，但它只给出了单词总数，并且不像前面的函数那样创建结果数组

我希望结果如下所示：

Array
(
    [happy] => 4
    [beautiful] => 1
    [lines] => 3
    [pear] => 2
    [gin] => 1
    [rock] => 1
)

---

有什么建议吗？

虽然这不是您希望的答案，但我鼓励您首先重新考虑DB设计。在一个字段中保存几个逗号分隔的标记不是很聪明。您应该为只有两列的标记构建一个单独的表：

标签 相应对象/帖子的id或应用程序的相关内容 有许多优点：

删除或添加标记更容易。 您可以通过一个SQL查询（如select tag、countid from tags group by tag）获得所需的数组，而无需一些蹩脚的php代码 当您有许多标记时，这会更容易、更快。 最后但并非最不重要的一点是，我敢打赌MySQL不会出现php中不同字母的问题-

---

只能制作UTF-8！使用PHP的PCRE函数的Unicode模式的版本

function utf8_str_word_count($string, $format = 0, $charlist = null) {
    if ($charlist === null) {
        $regex = '/\\pL[\\pL\\p{Mn}\'-]*/u';
    }
    else {
        $split = array_map('preg_quote', 
                           preg_split('//u',$charlist,-1,PREG_SPLIT_NO_EMPTY));
        $regex = sprintf('/(\\pL|%1$s)([\\pL\\p{Mn}\'-]|%1$s)*/u',
                         implode('|', $split));
    }

    switch ($format) {
        default:
        case 0:
            // For PHP >= 5.4.0 this is fine:
            return preg_match_all($regex, $string);

            // For PHP < 5.4 it's necessary to do this:
            // $results = null;
            // return preg_match_all($regex, $string, $results);
        case 1:
            $results = null;
            preg_match_all($regex, $string, $results);
            return $results[0];
        case 2:
            $results = null;
            preg_match_all($regex, $string, $results, PREG_OFFSET_CAPTURE);
            return empty($results[0])
                ? array()
                : array_combine(
                      array_map('end', $results[0]), 
                      array_map('reset', $results[0]));
    }
}

该函数尽可能地遵循str_word_count的语义；特别是，如果在以下注释中用UTF-8替换依赖于语言环境的str\u word\u count，则该结果适用于此

为了实现此功能，“word”被定义为区域设置 包含字母字符的从属字符串，也可以是 包含但不以“和-字符”开头

此外，字符的和-被视为单词的一部分，但不能作为单词的开头；但是，$charlist参数中指定的任何字符都可以启动一个单词，这意味着指定“和/或-会略微改变函数的工作方式。此行为也与原始str_word_计数匹配

---

还值得注意的是，通过使用字符属性（如\p{Greek}）适当地替换\pL，可以使函数仅识别Unicode脚本的某些子集-请参见。

而不是str_word_count，为什么不在逗号上分解？我要注意，对于没有特定单词分隔符的语言，这将失败，像中文或日语…@deceze:是的，但对此无能为力。你可以开始使用语言分析器…：-这是一个公平的观点。。。我正在使用一个现有的CRM，我认为对于用户来说，将逗号分隔的列表添加到文本框比将项目添加到每个记录更容易。。。说到这里，对我来说实施你的建议其实相当简单。。。如果任何php解决方案不起作用，我将试用您的：