如何使用PHP查找有关文本质量的基本信息？

我有一个PHP/MySQL驱动的站点，在过去6个月里我都没有维护过。这是一个用户来提交文章的网站。我有50000篇文章，通过一些“特别”测试，我应该说大约50-60%是垃圾邮件和从其他网站复制粘贴的文本

我正在寻找写一个PHP脚本，将采取一些基本参数来标记/删除垃圾邮件文本（不是复制/粘贴，这一步只是纯粹的垃圾邮件），所以我的想法是使脚本采取每一个单位，计数字符，单词，不同的单词和短语的使用和单词密度，并根据这些因素删除为纯粹的垃圾邮件（重复了很多短语等）。因此，我将损失一整天的时间，我的问题是：

有没有已经用PHP开发的解决方案？

---

如果我需要自己编写代码，我应该使用哪些参数来确定垃圾邮件？

这是我过去使用过的一个PHP类-

---

我不是作者，所以我对代码造成的潜在损害不承担任何责任。不过，我用它来检查短文本-网站上的用户评论，所以我不确定在50k长文章上的性能，也许你需要对其进行一些增强。但至少你有一些东西可以从它开始。

我没有观察到像这样的网站上的很多垃圾邮件帖子都没有文章。它们只包含一堆关键字和链接。你可以添加一个最小文章数的参数。如果少于1%的帖子是文章，你可以将其作为垃圾邮件拒绝

---

例如，如果你在上面的段落中计算

a
a
s
a
s和
一些
s的数量，你会得到3篇
a
s和1篇
a
（43个单词中有4篇文章占9.3%）
也许你可以看看和。第一篇分析你已经拥有的文章（以及未来的）和不良行为，以打击垃圾邮件之前，它曾经进入您的数据库

它们可能不太理想，但可以在路上帮助您。
谢谢，这非常有用，我正在考虑这个选项。