2

さまざまなウェブサイトからキーワードを作成し、それらをbdに保存しています。

$ webhtmlには、DOMでダウンロードされたWebサイトがあります。問題は、エクストラクタを起動すると、が無限にロードされることです。また、データベースには何も保存しません。

エラーのあるコードは次のとおりです。

if (empty($keywords)){
$ekeywords = new KeyPer;
$keywords = $ekeywords->Keys($webhtml);
}

次の関数を使用して$keywordsを保存しました：saveweb（$ url、$ description、$ keyswords）;

そして、私は次のインクルードを使用します：

include("Extkeys.php");

「Extkeys」のコード：

<?php
class Extkeys {
function Keys($webhtml) { 
$webhtml = $this->clean($webhtml); 
$blacklist='de,la,los,las,el,ella,nosotros,yo,tu,el,te,mi,del,ellos'; 
$sticklist='test'; 
$minlength = 3; 
$count = 17; 

$webhtml = preg_replace('/[\.;:|\'|\"|\`|\,|\(|\)|\-]/', ' ', $webhtml); 
$webhtml = preg_replace('/¡/', '', $webhtml); 
$webhtml = preg_replace('/¿/', '', $webhtml);

$keysArray = explode(" ", $webhtml); 
$keysArray = array_count_values(array_map('strtolower', $keysArray)); 
$blackArray = explode(",", $blacklist); 

foreach($blackArray as $blackWord){ 
if(isset($keysArray[trim($blackWord)])) 
unset($keysArray[trim($blackWord)]); 
} 
arsort($keysArray); 
$i = 1; 
$keywords = ""; 
foreach($keysArray as $word => $instances){ 
if($i > $count) break; 
if(istrlen(trim($word)) >= $minlength && is_string($word)) { 
$keywords .= $word . ", "; 
$i++; 
} 
} 

$keywords = rtrim($keywords, ", "); 

return $keywords=$sticklist.''.$keywords; 
} 

function clean($webhtml) { 

$regex = '/(([_A-Za-z0-9-]+)(\\.[_A-Za-z0-9-]+)*@([A-Za-z0-9-]+)(\\.[A-Za-z0-9-]+)*)/iex'; 
$desc = preg_replace($regex, '', $webhtml); 
$webhtml = preg_replace( "''si", '', $webhtml ); 
$webhtml = preg_replace( '/]*>([^<]+)<\/a>/is', '\2 (\1)', $webhtml ); 
$webhtml = preg_replace( '//', '', $webhtml ); 
$webhtml = preg_replace( '/{.+?}/', '', $webhtml ); 
$webhtml = preg_replace( '/ /', ' ', $webhtml ); 
$webhtml = preg_replace( '/&/', ' ', $webhtml ); 
$webhtml = preg_replace( '/"/', ' ', $webhtml ); 
$webhtml = strip_tags( $webhtml ); 
$webhtml = htmlspecialchars($webhtml); 
$webhtml = str_replace(array("\r\n", "\r", "\n", "\t"), " ", $webhtml); 

while (strchr($webhtml," ")) { 
$webhtml = str_replace(" ", " ",$webhtml); 
} 

for ($cnt = 1; 
$cnt < strlen($webhtml)-1; $cnt++) {
if (($webhtml{$cnt} == '.') || ($webhtml{$cnt} == ',')) { 
if ($webhtml{$cnt+1} != ' ') { 
$webhtml = substr_replace($webhtml, ' ', $cnt + 1, 0); 
} 
} 
} 
return $webhtml; 
} 
}
?>

コードの無限の負荷を回避し、機能させるにはどうすればよいですか？

よろしくお願いします！

4

2 に答える 2

2

コードでは、スペースをスペースに置き換えています。 

while (strchr($webhtml," ")) { 
    $webhtml = str_replace(" ", " ",$webhtml); 
}

それは次のようになります

while (strchr($webhtml," ")) { 
    $webhtml = str_replace(" ", "",$webhtml); 
}
于 2012-12-01T18:32:08.553 に答える
0

おい私はあなたが何をしようとしているのか知っています。Webページをファイル（テキストファイル）にダンプするには、 lynxまたはリンクが必要です。lynxとリンクはどちらもテキストベースのWebブラウザ（通常はLinuxのコマンドラインから起動）であり、ページにテキストのみを表示し、他のものは表示しないため、タグの削除などに関するすべてのことをスキップします。

また、あなたのキーワード機能は良くありません。tf-idfが必要です。tf-idfの詳細についてはこちらをご覧ください。

tf-idfを使用すると、Webページから実際のキーワードを抽出できます（これがGoogleキーワードの作成方法です）。Tf-idfは、実際のテキストの意味を抽出し、ページまたはドキュメントを最もよく表すキーワードを抽出するために使用されます。

そのリンクで、tf-idfを計算するための式があります。

于 2012-12-01T19:02:41.047 に答える