php - 判断字符串是否为英文 : best and easiest practices?

Question

我有足够长的字符串(5000+ 个字符)，我需要检查它是否是英文的。

经过简短的网络搜索，我找到了几种解决方案:

• 使用PEAR Text_LanguageDetect (它看起来很吸引人，但我仍然避免使用我不明白它们是如何工作的解决方案)
• 检查letters frequency (我在下面做了一些评论的功能)
• 检查字符串中的国家字符(如 č、ß 等)
• 检查字符串中的标记，如“is”、“the”或其他标记

所以函数如下:

function is_english($str){
    // Most used English chars frequencies
    $chars = array(
        array('e',12.702),
        array('t', 9.056),
        array('a', 8.167),
        array('o', 7.507),
        array('i', 6.966),
        array('n', 6.749),
        array('s', 6.327),
        array('h', 6.094),
        array('r', 5.987),
    );

    $str = strtolower($str);
    $sum = 0;
    foreach($chars as $key=>$char){
        $i = substr_count($str,$char[0]);
        $i = 100*$i/strlen($str);    // Normalization
        $i = $i/$char[1];
        $sum += $i;
    }
    $avg = $sum/count($chars);

    // Calculation of mean square value
    $value = 0;
    foreach($chars as $char)
        $value += pow($char[2]-$avg,2);

    // Average value
    $value = $value / count($chars);
    return $value;
}

通常此函数会估计字符频率并将其与给定模式进行比较。随着频率更接近模式，结果应该更接近 0。

不幸的是，它的效果不太好:大多数情况下，我可以认为结果 0.05 及更低是英语，而更高则不是。但是有许多英语字符串具有高值，而许多外国字符串(在我的例子中主要是德语)- 低。

我还不能实现第三解决方案，因为我找不到任何综合字符集 - 外语标记。

forth 看起来很吸引人，但我不知道用哪个标记最好。

有什么想法吗？

PS 经过一些讨论，Zod 提出这个问题与问题 Regular expression to match non-English characters? 重复。 , 仅部分回答。所以我想保持这个问题的独立性。

Answer 1

我认为第四种解决方案可能是您的最佳选择，但我会扩展它以包含更广泛的词典。

您可以在以下位置找到一些综合列表:https://en.wikipedia.org/wiki/Most_common_words_in_English

在您当前的实现中，您会遇到一些挫折，因为许多语言都使用标准的拉丁字母表。即使是超出标准拉丁字母表的语言通常也主要使用“符合英语的字符”，可以这么说。例如，句子“Ich bin lustig”是德语，但只使用拉丁字母字符。同样，“Jeg er glad”是丹麦语，但只使用拉丁字母字符。当然，在超过 5000 个字符的字符串中，您可能会看到一些非拉丁字符，但这并不能保证。此外，如果仅关注字符频率，您可能会发现使用拉丁字母表的外语通常具有相似的字符出现频率，从而使您现有的解决方案无效。

通过使用英语词典查找英语单词的出现次数，您可以查看一个字符串并准确确定有多少单词是英语，然后从那里计算英语单词数量的频率. (较高的百分比表示该句子可能是英语。)

以下是一个可能的解决方案:

<?php
$testString = "Some long string of text that you would like to test.";

// Words from: https://en.wikipedia.org/wiki/Most_common_words_in_English
$common_english_words = array('time', 'person', 'year', 'way', 'day', 'thing', 'man', 'world', 'life', 'hand', 'part', 'child', 'eye', 'woman', 'place', 'work', 'week', 'case', 'point', 'government', 'company', 'number', 'group', 'problem', 'fact', 'be', 'have', 'do', 'say', 'get', 'make', 'go', 'know', 'take', 'see', 'come', 'think', 'look', 'want', 'give', 'use', 'find', 'tell', 'ask', 'seem', 'feel', 'try', 'leave', 'call', 'good', 'new', 'first', 'last', 'long', 'great', 'little', 'own', 'other', 'old', 'right', 'big', 'high', 'different', 'small', 'large', 'next', 'early', 'young', 'important', 'few', 'public', 'bad', 'same', 'able', 'to', 'of', 'in', 'for', 'on', 'with', 'at', 'by', 'from', 'up', 'about', 'into', 'over', 'after', 'beneath', 'under', 'above', 'the', 'and', 'a', 'that', 'i', 'it', 'not', 'he', 'as', 'you', 'this', 'but', 'his', 'they', 'her', 'she', 'or', 'an', 'will', 'my', 'one', 'all', 'would', 'there', 'their', 'I', 'we', 'what', 'so', 'out', 'if', 'who', 'which', 'me', 'when', 'can', 'like', 'no', 'just', 'him', 'people', 'your', 'some', 'could', 'them', 'than', 'then', 'now', 'only', 'its', 'also', 'back', 'two', 'how', 'our', 'well', 'even', 'because', 'any', 'these', 'most', 'us');

/* you might also consider replacing "'s" with ' ', because 's is common in English
   as a contraction and simply removing the single quote could throw off the frequency. */
$transformedTest = preg_replace('@\s+@', ' ', preg_replace("@[^a-zA-Z'\s]@", ' ', strtolower($testString)));

$splitTest = explode(' ', $transformedTest);

$matchCount = 0;
for($i=0;$i<count($splitTest);$i++){
    if(in_array($splitTest[$i], $common_english_words))
        $matchCount++;
}

echo "raw count: $matchCount\n<br>\nPercent: " . ($matchCount/count($common_english_words))*100 . "%\n<br>\n";
if(($matchCount/count($common_english_words)) > 0.5){
    echo "More than half of the test string is English. Text is likely English.";
}else{
    echo "Text is likely a foreign language.";
}
?>

您可以在此处查看一个示例，其中包含两个要测试的示例字符串(一个是德语，一个是英语):https://ideone.com/lfYcs2

在IDEOne代码中，在英文字符串上运行时，你会看到结果与常见的英文单词匹配率大约为69.3%。在德语上运行时，与常用英文单词的匹配率仅为4.57%。