Класс для реализации Шинглов на PHP

Алгоритм Шинглов – определяем уникальность текста
Пример:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
< ?php
 
include_once('shingles.php');
 
//; Список стоп-символов
$stop_symbols = "x27 x22 x60 \t \n \r ' , . / « » # ; : @ ~ [ ] { } = - + ) ( * & ^ % $ < > ? !";
 
; Список стоп-слов через запятую (в cp1251 кодировке)
$stop_words = "а, без, более, бы, был, была, были, было, быть, в, вам, вас, весь, во, вот, все, всего, всех, вы, где, да, даже, для, до, его, ее, если, есть, ещё, же, за, здесь, и, из, из-за, или, им, их, к, как, как-то, ко, когда, кто, ли, либо, мне, может, мы, на, надо, наш, не, него, неё, нет, ни, них, но, ну, о, об, однако, он, она, они, оно, от, очень, по, под, при, с, со, так, также, такой, там, те, тем, то, того, тоже, той, только, том, ты, у, уже, хотя, чего, чей, чем, что, чтобы, чьё, чья, эта, эти, это, я";
 
//; Длина шингла
length = 10
$setting=array(
     'stop_symbols'=>$stop_symbols,
     'stop_words'=>$stop_words
);
$shingles = new Shingles($setting);
 
$shingles->addText('То, что старшая сестра держалась на собрании так уверенно, меня сперва беспокоило, а на Макмерфи не подействовало никак');
$shingles->addText('То, что главная сестра держалась на собрании так уверенно, меня сперва беспокоило, а на Макмерфи не подействовало никак');
 
echo 'Тексты схожи на ' . $shingles->compaire($shingles->getShigles()) . '%';
 
?>

Файл shingle.php содержащий Класс:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
<?php
 
class Shingles
{
    /**
     * Класс для реализации Шинглов на PHP
     *
     */
 
    protected $_params = array();
 
    /**
     * Cтоп-символы, которые будут удаленны из строки
     */
 
    protected $_stopSymbols = array();
 
    /**
     * Массив стоп-слов, которые будут удаленны из строки
     *
     */
     protected $_stopWords = array();
 
    /**
     * Массив текстов для обработки
     *
     */
 
    protected $_texts = array();
 
    /**
     * Двухмерный массив шинглов
     *
     */
 
    protected $_shingles = array();
 
    /**
     * Метод выполняющий канонизацию строки. Сначала вырезаем из строки все
     * стоп-символы. Затем перебираем слова. Те которых нет в массиве стоп-слов,
     * оставляем. Приводим строку к нижнему регистру.
     *
     */
 
    protected function _canonizeString($string)
    {
        $result = array();
        $string = str_replace($this->_stopSymbols, null, $string);
 
        foreach (explode(' ', $string) as $word) {
            if (strlen($word) && !in_array($word, $this->_stopWords)) {
            	$result[] = trim($word);
            }
        }
 
        return strtolower(implode(' ', $result));
    }
 
    /**
     * Выполняет канонизацию всех добавленных для обработки текстов
     *
     */
 
    protected function _canonizeTexts()
    {
        if (empty($this->_texts)) {
        	return $this;
        }
 
        foreach ($this->_texts as $key => $text) {
            $this->_texts[$key] = $this->_canonizeString($text);
        }
 
        return $this;
    }
 
    /**
     * Создает массив шинглов строки
     *
     */
 
    protected function _getShinglesFromString($string)
    {
        if (!$this->getParam('length')) {
            throw new Exception('Not found param of length');
        }
 
        $shingles = array();
        $length   = intval($this->getParam('length'));
        $words    = explode(' ', $string);
 
        if (count($words) < $length) {
        	return $shingles;
        }
 
        for ($i = 1; $i <= count($words) - $length; $i ++) {
            $shingles[] = md5(implode(' ', array_slice($words, $i, $length)));
        }
 
        return $shingles;
    }
 
    /**
     * Создает массив шинглов для каждого текста
     *
     */
 
    protected function _setShingles()
    {
        foreach ($this->_texts as $text) {
            $this->_shingles[] = $this->_getShinglesFromString($text);
        }
 
        return $this;
    }
 
    /**
     * Конструктор класса
     *
     */
 
    public function __construct(array $setting = array())
    {
        if (isset($setting['stop_symbols'])) {
        	$this->setStopSymbols(explode(' ', $setting['stop_symbols']));
        }
 
        if (isset($setting['stop_words'])) {
        	$this->setStopWords(explode(', ', $setting['stop_words']));
        }
 
        if (isset($setting['length'])) {
        	$this->setParam('length', $setting['length']);
        }
    }
 
    /**
     * Определяет массив стоп-символов
     *
     */
 
    public function setStopSymbols(array $symbols)
    {
        $this->_stopSymbols = $symbols;
        return $this;
    }
 
    /**
     * Возвращает массив стоп-символов
     */
 
    public function getStopSymbols()
    {
        return $this->_stopSymbols;
    }
 
    /**
     * Определяет массив стоп-слов
     *
     */
 
    public function setStopWords(array $words)
    {
        $this->_stopWords = $words;
        return $this;
    }
 
    /**
     * Возвращает массив стоп-слов
     *
     */
 
    public function getStopWords()
    {
        return $this->_stopWords;
    }
 
    /**
     * Возвращает параметр
     *
     */
 
    public function getParam($key)
    {
        if (isset($this->_params[$key])) {
        	return $this->_params[$key];
        }
 
        return null;
    }
 
    /**
     * Возвращает массив всех параметров
     *
     */
 
    public function getParams()
    {
        return $this->_params;
    }
 
    /**
     * Определяет массив параметров
     *
     */
 
    public function setParams(array $params)
    {
        $this->_params = $params;
        return $this;
    }
 
    /**
     * Определяет параметр
     *
     */
 
    public function setParam($key, $value)
    {
        $this->_params[$key] = $value;
        return $this;
    }
 
    /**
     * Добавляет текст для проверки
     *
     */
 
    public function addText($text)
    {
        $this->_texts[] = $text;
        return $this;
    }
 
    /**
     * Проверяет двухмерный массив шинглов на уникальность
     *
     */
 
    public function compaire(array $shingles)
    {
        $same = 0;
 
        foreach ($shingles[0] as $key => $shingle) {
            if ($shingle === $shingles[1][$key]) {
            	$same ++;
            }
        }
 
        return round($same / count($shingles[0]) * 100, 2);
    }
 
    /**
     * Возвращает массив шинглов для всех добавленных текстов
     *
     */
 
    public function getShigles()
    {
        return $this->_canonizeTexts()->_setShingles()->_shingles;
    }
}
 
?>

Leave a Comment

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Загрузка...
Menu Title