"Подсветка" найденных слов для результатов поисковых систем - Работа с текстом - Интересные решения для программистов - Примеры кода

Работа с текстом → "Подсветка" найденных слов для результатов поисковых систем → PHP

"Подсветка" найденных слов для результатов поисковых систем.
Ищет все вхождения цифр или целых слов в html коде и обрамляет их заданными тагами.
Текст должен быть в кодировке UTF-8.
Поддерживаются английский, русский, татарский, турецкий языки.

/**
"Подсветка" найденных слов для результатов поисковых систем.
 Ищет все вхождения цифр или целых слов в html коде и обрамляет их заданными тагами.
 Текст должен быть в кодировке UTF-8.
 Поддерживаются английский, русский, татарский, турецкий языки.
 *
 * @param  string     $s               текст, в котором искать
 * @param  array      $words           массив поисковых слов
 * @param  bool       $is_match_case   искать с учётом от регистра?
 * @param  string     $tpl             шаблон для замены
 *
 * @license  http://creativecommons.org/licenses/by-nc-sa/3.0/
 * @author   Nasibullin Rinat <n a s i b u l l i n  at starlink ru>
 * @charset  ANSI
 * @version  3.0.8
 */
function html_words_highlight($s, array $words, $is_match_case = false, $tpl = '<span class="word_highlight">%s</span>')
{
    #оптимизация для пустых значений
    if (! strlen($s) || ! $words) return $s;

#оптимизация
    #{{{
    if (! function_exists('utf8_convert_case')) include_once 'utf8_convert_case.php'; #оптимизация скорости include_once
    $s2 = utf8_convert_case($s, CASE_LOWER);
    foreach ($words as $k => $word)
    {
        $word = utf8_convert_case(trim($word, "\x20\r\n\t*"), CASE_LOWER);
        if (strpos($s2, $word) === false) unset($words[$k]);
    }
    if (! $words) return $s;
    #}}}

#кеширование построения рег. выражения для "подсвечивания" слов в функции при повторных вызовах
    static $func_cache = array();
    $cache_id = md5(serialize(array($words, $is_match_case)));
    if (! array_key_exists($cache_id, $func_cache))
    {
        #буквы в кодировке UTF-8 для разных языков:
        static $re_utf8_letter = '#английский алфавит:
                                  [a-zA-Z]
                                  #русский алфавит (A-я):
                                  | \xd0[\x90-\xbf\x81]|\xd1[\x80-\x8f\x91]
                                  #  татарские буквы из кириллицы:
                                  | \xd2[\x96\x97\xa2\xa3\xae\xaf\xba\xbb]|\xd3[\x98\x99\xa8\xa9]
                                  #  турецкие буквы из латиницы (татарский латиница):
                                  | \xc3[\x84\xa4\x87\xa7\x91\xb1\x96\xb6\x9c\xbc]|\xc4[\x9e\x9f\xb0\xb1]|\xc5[\x9e\x9f]
                                  ';
        #регулярное выражение для атрибутов тагов
        #корректно обрабатывает грязный и битый HTML в однобайтовой или UTF-8 кодировке!
        static $re_attrs_fast_safe =  '(?> (?>[\x20\r\n\t] |\xc2\xa0)   #пробельные символы (д.б. обязательно)
                                           (?>
                                             #правильные атрибуты
                                                                            [^>"\'] 
                                             | (?<=[\=\x20\r\n\t]|\xc2\xa0) "[^"]*"
                                             | (?<=[\=\x20\r\n\t]|\xc2\xa0) \'[^\']*\'
                                             #разбитые атрибуты
                                             |                              [^>] 
                                           )*
                                       )?';

$re_words = array();
        foreach ($words as $word)
        {
            if ($is_mask = (substr($word, -1) === '*')) $word = rtrim($word, '*');

$is_digit = ctype_digit($word);

#регулярное выражение для поиска слова с учетом регистра или цифр:
            #  оптимизация скорости для цифр
            if (! $is_match_case || $is_digit) $re_word = preg_quote($word, '/');

#конструируем часть регулярного выражения для поиска вхождения не зависимо от регистра:
            #оптимизация скорости для английских букв
            #elseif (ctype_alpha($word))  #~ /^[a-zA-Z] $/  #:DEPRECATED: не корректно работает, т.к. зависит от локали
            elseif (preg_match('/^[a-zA-Z] $/', $word)) $re_word = '(?i:' . $word . ')';
            else
            {
                if (! function_exists('utf8_ucfirst')) include_once 'utf8_ucfirst.php';      #оптимизация скорости include_once
                $word_cases = array(
                    'lowercase' => utf8_convert_case($word, CASE_LOWER),  #word
                    'ucfirst'   => utf8_ucfirst($word),                   #Word
                    'uppercase' => utf8_convert_case($word, CASE_UPPER),  #WORD
                );
                $re_word = '(?>' . implode('|', $word_cases) . ')';
            }

#d($re_word);
            if ($is_digit) $append = $is_mask ? '(?>\d*)' : '(?!\d)';
            else $append = $is_mask ? '(?>' . $re_utf8_letter . ')*' : '(?! ' . $re_utf8_letter . ')';
            $re_words[$is_digit ? 'digits' : 'words'][] = $re_word . $append;
        }#foreach
        #d($re_words);

if (! empty($re_words['words']))
        {
            #поиск вхождения слова:
            $re_words['words'] = '(?<!' . $re_utf8_letter . ')  #просмотр назад
                                  (' . implode("\r\n|\r\n", $re_words['words']) . ')   #=$m[3]
                                  ';
        }
        if (! empty($re_words['digits']))
        {
            #поиск вхождения цифры:
            $re_words['digits'] = '(?<!\d)  #просмотр назад
                                   (' . implode("\r\n|\r\n", $re_words['digits']) . ')   #=$m[4]
                                   ';
        }
        #d($re_words);

$func_cache[$cache_id] = '/#встроенный PHP, Perl, ASP код:
                                   <([\?\%]) .*? \\1>

#блоки CDATA:
                                   | <\!\[CDATA\[ .*? \]\]>

#MS Word таги типа "<![if! vml]>...<![endif]>",
                                   #условное выполнение кода для IE типа "":
                                   | <\! (?>--)?
                                         \[
                                         (?> [^\]"\']  | "[^"]*" | \'[^\']*\' )*
                                         \]
                                         (?>--)?
                                     >

#комментарии:
                                   | <\!-- .*? -->

#парные и непарные таги:
                                   | <[\/\!]?[a-zA-Z][a-zA-Z\d]*' . $re_attrs_fast_safe . '\/?>

#html сущности:
                                   | &(?> [a-zA-Z][a-zA-Z\d] 
                                        | \#(?> \d{1,4}
                                              | x[\da-fA-F]{2,4}
                                            )
                                      );
                                   | ' . implode("\r\n|\r\n", $re_words) . '  #3 or 4
                                  /sx';
        #d($func_cache[$cache_id]);
    }
    $GLOBALS['HTML_WORDS_HIGHLIGHT_TPL'] = $tpl;
    $s = preg_replace_callback($func_cache[$cache_id], '_html_words_highlight_callback', $s);
    unset($GLOBALS['HTML_WORDS_HIGHLIGHT_TPL']);
    return $s;
}

function _html_words_highlight_callback($m)
{
    foreach (array(3, 4) as $i)
    {
        if (array_key_exists($i, $m) && strlen($m[$i]) > 0)
        {
            //d($m);
            return sprintf($GLOBALS['HTML_WORDS_HIGHLIGHT_TPL'], $m[$i]);
        }
    }#foreach

#пропускаем таги
    return $m[0];
}

higlight, php, search, searchengine, words

KOS_MOS

Nasibullin Rinat

04.06.2008

Меню

Подписка на RSS:

Подпишись на RSS-ленту

Поиск

Облако тегов

	Работа с текстом → "Подсветка" найденных слов для результатов поисковых систем → PHP "Подсветка" найденных слов для результатов поисковых систем. Ищет все вхождения цифр или целых слов в html коде и обрамляет их заданными тагами. Текст должен быть в кодировке UTF-8. Поддерживаются английский, русский, татарский, турецкий языки. /** "Подсветка" найденных слов для результатов поисковых систем. Ищет все вхождения цифр или целых слов в html коде и обрамляет их заданными тагами. Текст должен быть в кодировке UTF-8. Поддерживаются английский, русский, татарский, турецкий языки. * * @param string $s текст, в котором искать * @param array $words массив поисковых слов * @param bool $is_match_case искать с учётом от регистра? * @param string $tpl шаблон для замены * * @license http://creativecommons.org/licenses/by-nc-sa/3.0/ * @author Nasibullin Rinat <n a s i b u l l i n at starlink ru> * @charset ANSI * @version 3.0.8 / function html_words_highlight($s, array $words, $is_match_case = false, $tpl = '<span class="word_highlight">%s</span>') { #оптимизация для пустых значений if (! strlen($s) \|\| ! $words) return $s; #оптимизация #{{{ if (! function_exists('utf8_convert_case')) include_once 'utf8_convert_case.php'; #оптимизация скорости include_once $s2 = utf8_convert_case($s, CASE_LOWER); foreach ($words as $k => $word) { $word = utf8_convert_case(trim($word, "\x20\r\n\t"), CASE_LOWER); if (strpos($s2, $word) === false) unset($words[$k]); } if (! $words) return $s; #}}} #кеширование построения рег. выражения для "подсвечивания" слов в функции при повторных вызовах static $func_cache = array(); $cache_id = md5(serialize(array($words, $is_match_case))); if (! array_key_exists($cache_id, $func_cache)) { #буквы в кодировке UTF-8 для разных языков: static $re_utf8_letter = '#английский алфавит: [a-zA-Z] #русский алфавит (A-я): \| \xd0[\x90-\xbf\x81]\|\xd1[\x80-\x8f\x91] # татарские буквы из кириллицы: \| \xd2[\x96\x97\xa2\xa3\xae\xaf\xba\xbb]\|\xd3[\x98\x99\xa8\xa9] # турецкие буквы из латиницы (татарский латиница): \| \xc3[\x84\xa4\x87\xa7\x91\xb1\x96\xb6\x9c\xbc]\|\xc4[\x9e\x9f\xb0\xb1]\|\xc5[\x9e\x9f] '; #регулярное выражение для атрибутов тагов #корректно обрабатывает грязный и битый HTML в однобайтовой или UTF-8 кодировке! static $re_attrs_fast_safe = '(?> (?>[\x20\r\n\t] \|\xc2\xa0) #пробельные символы (д.б. обязательно) (?> #правильные атрибуты [^>"\'] \| (?<=[\=\x20\r\n\t]\|\xc2\xa0) "[^"]" \| (?<=[\=\x20\r\n\t]\|\xc2\xa0) \'[^\']\' #разбитые атрибуты \| [^>] )* )?'; $re_words = array(); foreach ($words as $word) { if ($is_mask = (substr($word, -1) === '')) $word = rtrim($word, ''); $is_digit = ctype_digit($word); #регулярное выражение для поиска слова с учетом регистра или цифр: # оптимизация скорости для цифр if (! $is_match_case \|\| $is_digit) $re_word = preg_quote($word, '/'); #конструируем часть регулярного выражения для поиска вхождения не зависимо от регистра: #оптимизация скорости для английских букв #elseif (ctype_alpha($word)) #~ /^[a-zA-Z] $/ #:DEPRECATED: не корректно работает, т.к. зависит от локали elseif (preg_match('/^[a-zA-Z] $/', $word)) $re_word = '(?i:' . $word . ')'; else { if (! function_exists('utf8_ucfirst')) include_once 'utf8_ucfirst.php'; #оптимизация скорости include_once $word_cases = array( 'lowercase' => utf8_convert_case($word, CASE_LOWER), #word 'ucfirst' => utf8_ucfirst($word), #Word 'uppercase' => utf8_convert_case($word, CASE_UPPER), #WORD ); $re_word = '(?>' . implode('\|', $word_cases) . ')'; } #d($re_word); if ($is_digit) $append = $is_mask ? '(?>\d)' : '(?!\d)'; else $append = $is_mask ? '(?>' . $re_utf8_letter . ')' : '(?! ' . $re_utf8_letter . ')'; $re_words[$is_digit ? 'digits' : 'words'][] = $re_word . $append; }#foreach #d($re_words); if (! empty($re_words['words'])) { #поиск вхождения слова: $re_words['words'] = '(?<!' . $re_utf8_letter . ') #просмотр назад (' . implode("\r\n\|\r\n", $re_words['words']) . ') #=$m[3] '; } if (! empty($re_words['digits'])) { #поиск вхождения цифры: $re_words['digits'] = '(?<!\d) #просмотр назад (' . implode("\r\n\|\r\n", $re_words['digits']) . ') #=$m[4] '; } #d($re_words); $func_cache[$cache_id] = '/#встроенный PHP, Perl, ASP код: <([\?\%]) .? \\1> #блоки CDATA: \| <\!\[CDATA\[ .? \]\]> #MS Word таги типа "<![if! vml]>...<![endif]>", #условное выполнение кода для IE типа "<!--[if lt IE 7]>...<![endif]-->": \| <\! (?>--)? \[ (?> [^\]"\'] \| "[^"]" \| \'[^\']\' )* \] (?>--)? > #комментарии: \| <\!-- .? --> #парные таги вместе с содержимым: \| <((?i:noindex\|script\|style\|comment\|button\|map\|iframe\|frameset\|object\|applet))' . $re_attrs_fast_safe . '>.?<\/(?i:\\2)> #=$m[2] #парные и непарные таги: \| <[\/\!]?[a-zA-Z][a-zA-Z\d]' . $re_attrs_fast_safe . '\/?> #html сущности: \| &(?> [a-zA-Z][a-zA-Z\d] \| \#(?> \d{1,4} \| x[\da-fA-F]{2,4} ) ); \| ' . implode("\r\n\|\r\n", $re_words) . ' #3 or 4 /sx'; #d($func_cache[$cache_id]); } $GLOBALS['HTML_WORDS_HIGHLIGHT_TPL'] = $tpl; $s = preg_replace_callback($func_cache[$cache_id], '_html_words_highlight_callback', $s); unset($GLOBALS['HTML_WORDS_HIGHLIGHT_TPL']); return $s; } function _html_words_highlight_callback($m) { foreach (array(3, 4) as $i) { if (array_key_exists($i, $m) && strlen($m[$i]) > 0) { //d($m); return sprintf($GLOBALS['HTML_WORDS_HIGHLIGHT_TPL'], $m[$i]); } }#foreach #пропускаем таги return $m[0]; } higlight, php, search, searchengine, words* KOS_MOS Nasibullin Rinat 04.06.2008 Ваше имя Ваш E-mail (если хотите отслеживать комментарии) Дoкажи, что ты не робот Текст комментария	Меню CodeIgniter Алгоритмы Базы данных Дата и Время Интернет Интерфейс Мультимедиа ОС и Железо Работа с текстом Разное Технологии Файлы Подписка на RSS: Подпишись на RSS-ленту Поиск Облако тегов .net array asp bash browser charset check class clean convert count create css curl database date delete directory download element email equivalent extension file find form format function get height html http ie image javascript jquery load mysql number page perl php random scriplet send shell size sql string text time url utf8 variable vb visual basic width window xml xslt