PHP简单词频统计脚本

wen PHP项目 2026-08-11 1

PHP简单词频统计脚本：从零构建文本分析利器（附完整代码与SEO优化指南）

目录导读

为什么你需要一个词频统计脚本？（场景与价值）
核心原理：PHP字符串处理与数组计数
手把手实现：完整代码与逐行解析
进阶优化：剔除停用词、支持中文分词
性能与安全：大文本处理的陷阱规避
实战案例：分析一篇新闻稿的热词
常见问题解答（FAQ）
SEO应用：如何用词频提升内容质量

在数字营销与内容创作领域,关键词研究是SEO（搜索引擎优化）的基石，你是否曾对着长篇大论却不知如何提炼核心主题？或者需要快速分析竞争对手页面的关键词布局？一个轻量级的PHP简单词频统计脚本便能派上大用场，它不需要复杂的NLP（自然语言处理）库，仅凭PHP原生函数即可实现80%的需求，且执行效率极高，本文将带你从零构建这样一个工具，并深挖其在Google与Bing排名中的实战价值。

PHP简单词频统计脚本

为什么选用PHP？ 根据W3Techs的长期统计，PHP依然占据服务器端语言约77%的市场份额，这意味着你现有的虚拟主机或VPS几乎都支持PHP，无需额外安装Python或Node环境，更重要的是，PHP的str_word_count()、array_count_values()等函数天生就是为这种任务设计的。

核心原理：像人类一样“读”文本

词频统计的本质是分词+计数，对于英文等字母语言，空格是天然分隔符；对于中文，则需要处理连写字符，其数学逻辑不复杂：将文本按分隔符拆解为单词数组，再将数组元素作为键、出现次数作为值构建关联数组，最后按值降序排序。

在PHP中,这个流程可以浓缩为四行核心代码：

$text = '你的文本内容...';
$words = str_word_count(strtolower($text), 1); // 返回单词数组，且统一小写
$frequencies = array_count_values($words); // 统计次数
arsort($frequencies); // 按次数降序排序

这里的关键点在于strtolower()——它将所有单词转为小写，避免了“Word”和“word”被识别为两个词的情况。

手把手实现：完整代码与逐行解析

为了让脚本更实用,我们加入停用词过滤和自定义分隔符功能，以下是一个可立即运行的版本：

<?php
function simple_frequency($text, $stopwords = []) {
    // 1. 转为小写并移除HTML标签
    $clean = strtolower(strip_tags($text));
    // 2. 用正则匹配单词（支持中文、英文、数字）
    preg_match_all('/[\x{4e00}-\x{9fa5}a-zA-Z0-9]+/u', $clean, $matches);
    $words = $matches[0];
    // 3. 过滤停用词（如：的、了、the、a）
    $filtered = array_diff($words, $stopwords);
    // 4. 统计并排序
    $freq = array_count_values($filtered);
    arsort($freq);
    return $freq;
}
// 示例用法
$myText = 'PHP is a popular scripting language. PHP is widely used for web development. PHP 8 brings new features.';
$stop = ['is', 'a', 'for', 'the'];
$result = simple_frequency($myText, $stop);
print_r($result);
?>

逐行解析：

strip_tags()防止XSS攻击或HTML干扰统计。
preg_match_all中的u修饰符和Unicode范围\x{4e00}-\x{9fa5}使脚本能识别中文汉字。
array_diff巧妙移除无意义的停用词，让统计结果更具洞察力。

输出结果将会按频率降序显示,你可以轻松看出“php”、“scripting”、“web”是核心词。

进阶优化：剔除停用词与中文分词

对于SEO而言,过滤掉“的”、“了”、“在”等连词是必须的，否则高频词会被无意义的虚词霸占，上面代码已经展示了英文停用词的用法，对于中文，你需要内置一个常用停用词表，['的','了','和','是','在','及','与','就','都','而','及','之','其','或','等']。

简体中文分词是个复杂话题,简单的做法是使用二元语法（Bigram）：将每两个相邻汉字组成一个词，虽然笨拙，但对关键词聚类有时比单字统计更有效，你可以用以下代码生成二元词频：

function bigram_frequency($text) {
    $clean = preg_replace('/[^\x{4e00}-\x{9fa5}]/u', '', $text); // 只留汉字
    $len = mb_strlen($clean, 'UTF-8');
    $pairs = [];
    for ($i = 0; $i < $len - 1; $i++) {
        $pairs[] = mb_substr($clean, $i, 2, 'UTF-8');
    }
    return array_count_values($pairs);
}

这种方法特别适合快速提取“长尾关键词”的模糊结构。

性能与安全：大文本处理的陷阱规避

如果你要分析一整本书或超长网页,需注意以下问题：

内存限制：str_word_count会在内存中生成整个数组，对于10MB以上的文本，建议采用流式读取，逐行处理并合并结果。
PHP超时：设置set_time_limit(0)确保脚本不因执行时间过长而中断。
正则回溯：复杂的正则表达式可能引发ReDoS攻击，上述代码已使用无嵌套的简单模式，安全性较高。

实战案例：分析一篇新闻稿的热词

假设我们有一段关于“人工智能”的新闻稿（约200字），运行脚本后，排名前五的词可能是：人工智能、技术、发展、应用、这基本反映了文章主旨，你可以将这5个词作为页面标题的组成部分，或在Meta Description中自然植入，这能显著提升搜索引擎对内容主题的抓取准确性。

Google的排名算法（如BERT）虽然理解语义，但TF-IDF（词频-逆文档频率）思想仍具参考价值，高频词出现密度过大可能被判定为关键词堆砌，适当控制在2%-4%密度为宜。

常见问题解答（FAQ）

Q1：这个脚本能处理纯英文之外的文本吗？ A：可以，代码中的正则表达式已兼容中文、英文和数字，如需处理日文或韩文，需相应调整Unicode范围。

Q2：为什么我的结果中会出现“0”或者符号？ A：这是因为strip_tags没有清除数字和符号，你可以用preg_replace('/[^a-z0-9\x{4e00}-\x{9fa5}]/u', ' ', $clean)预先清洗。

Q3：如何输出更友好的JSON格式给前端调用？ A：在函数末尾添加return json_encode($result, JSON_UNESCAPED_UNICODE);即可。

Q4：脚本对超长文本（如500KB）会卡死吗？ A：不会立刻卡死，但内存峰值可能较高，建议在循环中分批处理，并用unset($words)释放上一批变量。

SEO应用：如何用词频提升内容质量

基于词频统计,你可以做三件有实际价值的事：差距分析对比自己的文章与竞争对手文章的Top10关键词，找出遗漏的语义场，补充内容，优化：将统计出的第一高频词（排除品牌名）置于<title>标签开头，第二、三高频词嵌入H1或前100字内。 3. 内部链接锚文本：将高频词组作为锚文本，指向站内相关文章，有助于搜索引擎理解页面层级关系。

搜索引擎优化不是机械堆砌,而是以语义自然为前提，词频统计是你的“第三只眼”，帮你快速洞察文本的语义重心。

（全文完）