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
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?
PHPcurl访问函数源代码
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 $ret;}
首先要把一篇文章的所有html标签去掉,那就需要使用以下代码,去除无用的html和字符了。
function ClearHtml($str){ $str = trim($str); $str = strip_tags($str,""); $str = preg_replace("//","",$str); $str = preg_replace("//","",$str); $str = preg_replace("//","",$str); $str = preg_replace("//","",$str); $str = preg_replace("/ /","",$str); $str = preg_replace("/ /","",$str); return trim($str); }
然后就要把重新整理好的文章分隔成为每38个汉字为一组的数组,所使用的代码为
function mbStrSplit ($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。
mb_str_split ( string $string [, int $split_length = 1 [, string $encoding = mb_internal_encoding() ]] ) : array注:https://www.php.net/manual/zh/function.mb-str-split.php
以下为文章中其中一个38个汉字的原创度获取源代码,我就不一一解释了,我感觉我这里代码写的不太好,如果您有优化好的,请回复,谢谢。
function bdycl($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(.*?)/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;$i90){$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'=>$in];}}
单独一组38个汉字咱们已经写完了,现在需要来一个查询多组的。以下为源代码
function ycl($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 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: