php. Как получить массив слов строки?

Question

[Степан]

Здравствуйте. Не подскажете как из строки получить массив слов и количество вхождений?

Answer 1

[ssbxlan]

preg_split по знакам препинания
array_count_values

Answer 2

[Сергей Береснев]

Если по-простому, то можно как-то так.

$array = array_filter(explode(' ', $string)); 
$count_array = array_count_values($array); 
var_dump($count_array);

Answer 3

[Назар Мокринский]

Зачем так усложнять? Есть же стандартные функции на все большинство тривиальных задач.
str_word_count — Возвращает информацию о словах, входящих в строку

Answer 4

[dsd_corp]

  $str=file_get_contents('./words.txt');
  $aw=preg_split('/[\W]+/', $str);
  $wc=array_count_values($aw);
  file_put_contents('./words_out.txt', var_export(array($aw, $wc), true));

Содержимое words.txt

php. Как получить массив слов строки?
PHP*
Здравствуйте. Не подскажете как из строки получить массив слов и количество вхождений?
php

Содержимое words_out.txt после отработки

array (
  0 => 
  array (
    0 => 'php',
    1 => 'Как',
    2 => 'получить',
    3 => 'массив',
    4 => 'слов',
    5 => 'строки',
    6 => 'PHP',
    7 => 'Здравствуйте',
    8 => 'Не',
    9 => 'подскажете',
    10 => 'как',
    11 => 'из',
    12 => 'строки',
    13 => 'получить',
    14 => 'массив',
    15 => 'слов',
    16 => 'и',
    17 => 'количество',
    18 => 'вхождений',
    19 => 'php',
  ),
  1 => 
  array (
    'php' => 2,
    'Как' => 1,
    'получить' => 2,
    'массив' => 2,
    'слов' => 2,
    'строки' => 2,
    'PHP' => 1,
    'Здравствуйте' => 1,
    'Не' => 1,
    'подскажете' => 1,
    'как' => 1,
    'из' => 1,
    'и' => 1,
    'количество' => 1,
    'вхождений' => 1,
  ),
)

Answer 5

[softm]

Все примеры хороши, но не надо забывать про длину слова и стоп-лист

Вероятно надо еще
foreach ( $wc as $k=>$x) if (strlen($x)==1 || in_array($x,$stop_list))unset $wc[$k]

перед подсчетом.

Comments

[dsd_corp]

В вопросе что-то было о стоп-листах и длине слова?
Ну тогда, если уж дополнять, и чтоб по длине слова фильтровало, есть еще два варианта:

1.

$aw=preg_split('/(^|[\W]+)([\w]{1,3}([\W]+|$))*/is', $str, -1, PREG_SPLIT_NO_EMPTY);

2.

$mcnt=preg_match_all('/[\w]{4,}/is', $str, $aw);
$aw=((int)$mcnt>0 && is_array($aw))?$aw[0]:array(); 

И в обоих случаях [\W] можно заменить на [^A-ZА-Яа-я], а [\w] соответственно на [A-ZА-Яа-я]
Такая замена на случай, если двигло регулярок в нужной локали не умеет обрабатывать \w и \W.
Ну и разные нюансы типа слов с дефисами аля «по-русски» тут тоже не обрабатываются.

Эти оба приведенных выше варианта пропускают слова до трех символов в длину включительно. Для других длин нужно тройку и четверку в выражениях соответственно менять.

Что же касаемо стоп-листа, то лучше не держать его в простом массиве и не пользоваться функцией in_array(), если скрипт высоконагружен(если же нет, то в принципе пофиг).
Или ваш вариант переделать, как:

// где-то в начале скрипта или при подгрузке стоп-листа из хранилища
$stop_hash=array_flip($stop_list); 

// и далее во всех нужных местах поиск проводить таким образом:
if (array_key_exists($x, $stop_hash))...

Но по-хорошему надо все к lowercase приводить.

P.S. извините за занудство.

[Олег Торбасов]

Не надо всё к lowercase приводить, а то «Люк» и «люк» (реально встречаются в одном предложении русского перевода фостеровской беллетризации SW) окажутся одним словом. Но и не приводить нельзя. Увы, нет здесь надёжного машинного решения.

[dsd_corp]

Ну… Сколько ни оптимизируй, все-равно найдется что-то еще. Кроме того, речь здесь о стоп-листе, а в стоп-листе обычно пофиг что там как пишется — резать надо слова в любом charcase )
Если же речь о каком-то другом списке обработки, то можно сделать два листа — один case insensitive, другой sensitive.