php纯文本源码,[PHP源码]文章原创度检测源码

本帖最后由 无名小银 于 2020-8-16 14:24 编辑

前言

本人去年写了一个PHP伪原创的工具，但是有时候还需要查看一下伪原创后的文章原创度，换句话说在搜索引擎上是否有类似的文章。

本次原创度检测源代使用百度搜索为准。

首先拼凑百度搜索的url，并且百度限制了搜索词在38个汉字以内，其他的会被丢弃。

https://www.baidu.com/s?ie=utf8&wd=关键词

php curl访问函数源代码

[PHP] 纯文本查看 复制代码function curl($url){

$ch = curl_init();

curl_setopt($ch, CURLOPT_URL,$url);

curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);

curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, false);

$httpheader[] = "Accept:*/*";

$httpheader[] = "Accept-Encoding:gzip,deflate,sdch";

$httpheader[] = "Accept-Language:zh-CN,zh;q=0.8";

$httpheader[] = "Connection:close";

curl_setopt($ch, CURLOPT_HTTPHEADER, $httpheader);

curl_setopt($ch, CURLOPT_USERAGENT,'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3314.0 Safari/537.36 SE 2.X MetaSr 1.0');

curl_setopt($ch, CURLOPT_ENCODING, "gzip");

curl_setopt($ch, CURLOPT_RETURNTRANSFER,1);

$ret = curl_exec($ch);

curl_close($ch);

return $ret; }

好了，现在百度搜索的url也有了，那怎么检查一篇文章的原创度了？

首先要把一篇文章的所有html标签去掉，那就需要使用以下代码

[PHP] 纯文本查看 复制代码function ClearHtml($str)

{

$str = trim($str);

$str = strip_tags($str,"");

$str = preg_replace("/\t/","",$str);

$str = preg_replace("/\r\n/","",$str);

$str = preg_replace("/\r/","",$str);

$str = preg_replace("/\n/","",$str);

$str = preg_replace("/ /","",$str);

$str = preg_replace("/ /","",$str);

return trim($str);

}

然后就要把重新整理好的文章分隔成为每38个汉字为一组的数组，所使用的代码为

[PHP] 纯文本查看 复制代码function mbStrSplit ($string, $len=38) {

$start = 0;

$strlen = mb_strlen($string);

while ($strlen) {

$array[] = mb_substr($string,$start,$len,"utf8");

$string = mb_substr($string, $len, $strlen,"utf8");

$strlen = mb_strlen($string);

}

return $array;

}

如果你的PHP环境为PHP7.4可直接使用以下内置函数把文章分割为38个汉字为一组，不过我这里是使用的上面的，暂时没有搭建最新的PHP环境。

[PHP] 纯文本查看 复制代码mb_str_split ( string $string [, int $split_length = 1 [, string $encoding = mb_internal_encoding() ]] ) : array

注:[url=https://www.php.net/manual/zh/function.mb-str-split.php]https://www.php.net/manual/zh/function.mb-str-split.php[/url]

以下为文章中其中一个38个汉字的原创度获取源代码，我就不一一解释了，我感觉我这里代码写的不太好，如果您有优化好的，请回复，谢谢。

[PHP] 纯文本查看 复制代码function bdycl($content){

$info=curl('https://www.baidu.com/s?ie=utf8&wd='.urlencode($content));

preg_match_all("/

(.*?)(.*?)href=\"(.*?)\"/is", $info,$baidu);

$count1=count($baidu['1']);

for($i=0;$i

preg_match_all("/(.*?)/is", $baidu['1'][$i],$baidu_em);

$count=count($baidu_em[1]);

if($count>1){

$baiduem='';

foreach($baidu_em[1] as $value){

$baiduem.=$value;

}

$bdem[]=[

'content'=>$baiduem,

'url'=>$baidu['3'][$i]

];

}else{

$bdem[]=[

'content'=>@$baidu_em[1][0],

'url'=>$baidu['3'][$i]

];

}

}

if(is_array($bdem)){

$count=count($bdem);

$in=[];

for($i=0;$i

similar_text($content,$bdem[$i]['content'],$per);

$ii=ceil($per);

$similar[]=$ii;

if($ii>90){

$in[]=[

'similar'=>$ii,

"content"=>$bdem[$i]['content'],

'url'=>$bdem[$i]['url']

];

}

}

array_multisort(array_column($in,'similar'),SORT_DESC,$in);

if(isset($in['0'])){

$in=$in['0'];

}

return ['similar'=>(100-array_sum($similar)/count($bdem)),'content'=>$in];

}

}

1597558630(1).png (14.19 KB, 下载次数: 1)

2020-8-16 14:24 上传

单独一组38个汉字咱们已经写完了，现在需要来一个查询多组的。以下为源代码

[PHP] 纯文本查看 复制代码function ycl($content){

$info=mbStrSplit($content);

$count=count($info)-1;

if($count<11){

$rand=$count+1;

}else{

$rand='10';

}

$tmp = range(0,$count);

$array_rand=array_rand($tmp,$rand);

foreach($array_rand as $v){

$ycl[]=bdycl($info[$v]);

}

$count=count($ycl);

for($i=0;$i

$similar[$i]=$ycl[$i]['similar'];

}

$ycd=ceil(((array_sum($similar)/count($ycl))));

if($ycd <=30){

$str = "原创度非常低，不建议发布。";

}else if($ycd <=60 && $ycd > 30){

$str = "原创度比较低，建议修改后再发布。";

}else if($ycd <=75 && $ycd > 60){

$str = "原创度还可以，建议修改后再发布。";

}else if($ycd <= 85 && $ycd > 75){

$str = "原创度较好，属于原创文章，可以发布。";

}else if($ycd > 85){

$str = "原创度非常棒，属于原创文章，可以发布。";

}

return ['ycl'=>$ycd,'info'=>$str];

}

然后随便从网上找一篇文章，进行检测的结果为：

1597558483(1).png (8.9 KB, 下载次数: 1)

2020-8-16 14:23 上传

好了，到此结束，谢谢大家的观看。