PHP单词统计方法：str_word_count忽略标点与多语言支持

PHP的str_word_count函数虽能高效统计英文单词并自动忽略标点，但对中文等无空格分隔的多语言文本完全失效；本文深入解析其三种模式的使用场景，揭示其底层仅识别a-zA-Z的局限，并提供基于Unicode属性（\p{L}\p{N}）的正则清洗与分割方案实现跨语言粗略计数，同时指出真正精准的中文分词需依赖SCWS或Jieba等专业扩展——帮你避开多语言文本统计的常见陷阱，选对工具，事半功倍。

在PHP中，str_word_count() 函数常用于统计字符串中的单词数量。默认情况下，它主要针对英文文本设计，能识别由空格或标点分隔的字母组合为单词。但在处理多语言（如中文、日文、阿拉伯文等）或包含复杂标点符号的文本时，该函数的表现有限，需要结合其他方法进行优化。

str_word_count() 基本用法

该函数有三种返回模式：

• 0（默认）：返回单词总数
• 1：返回包含所有单词的数组
• 2：返回关联数组，键为单词起始位置，值为单词内容

$str = "Hello, welcome to PHP world!";
echo str_word_count($str); // 输出: 5
print_r(str_word_count($str, 1)); 
// 输出: Array ( [0] => Hello [1] => welcome [2] => to [3] => PHP [4] => world )

注意：该函数会忽略常见标点符号（如逗号、句号），但只对拉丁字母有效，无法识别中文、日文等非空格分隔语言的“单词”。

多语言支持问题与解决方案

对于中文、日文、泰文等语言，由于没有明显的单词边界（不像英文用空格分隔），str_word_count() 无法正确识别词汇。例如：

$str = "你好世界，欢迎使用PHP！";
echo str_word_count($str); // 输出: 0

这是因为 str_word_count 只识别 a-zA-Z 字符。要实现多语言单词或词语统计，需采用以下策略：

• 使用正则表达式匹配Unicode文字块：通过 preg_match_all 匹配各类语言的文字单位
• 按字符或词语切分中文文本：借助第三方分词库（如 SCWS 中文分词）
• 自定义规则过滤标点：去除或忽略常见标点符号后再统计

支持多语言与忽略标点的统计方法

以下是一个增强型函数，可统计多种语言的“词”或“字符组合”，并自动忽略常见标点：

function count_words_multilingual($str) {
    // 移除标点符号，保留文字字符
    $clean = preg_replace('/[^\p{L}\p{N}\s]/u', ' ', $str);
    // 按空白字符分割，并过滤空项
    $words = preg_split('/\s+/u', $clean, -1, PREG_SPLIT_NO_EMPTY);
    return count($words);
}

// 示例
$text = "Hello, 你好！مرحبا، ? 123";
echo count_words_multilingual($text); // 输出: 5

说明：

• \p{L} 匹配任意语言的字母（包括中文、阿拉伯文、俄文等）
• \p{N} 匹配数字
• u 修饰符启用UTF-8模式
• 先清理标点，再以空格类字符分割，模拟“单词”概念

此方法虽不能精确分词（如中文仍按单字或连续字块处理），但可用于粗略统计文本中的语言单元。

进阶建议：结合分词扩展

若需精确处理中文，推荐使用：

• SCWS（Simple Chinese Word Segmentation）：专为中文设计的分词引擎，PHP 有扩展支持
• Jieba 分词（PHP移植版）：基于Python Jieba 的PHP实现，支持精准模式分词

这些工具能将“我喜欢编程”正确切分为 ["我", "喜欢", "编程"]，从而实现真正意义上的“词”统计。

基本上就这些。str_word_count 适合英文环境，多语言场景需依赖正则或专用分词工具来准确统计。关键是根据语言类型选择合适的方法，并合理处理标点干扰。

今天关于《PHP单词统计方法：str_word_count忽略标点与多语言支持》的内容介绍就到此结束，如果有什么疑问或者建议，可以在golang学习网公众号下多多回复交流；文中若有不正之处，也希望回复留言以告知！