Discussion :

[Tchupacabra]

Bonjour,
je peine avec une regex pour "épurer" du texte en ne gardant que les mots de 3 lettres et + (incluant les mots composés).
Dans un premier temps, j'essaye de ne surligner en HTML que les mots de 3 lettres et + pour déboguer ma regex.
Voici mon code actuel :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
$content = " Bonjour, ceci est un énorme texte ! 12 mot-clés déçu l'orage x-x --- Marie-Antoinette... co-living";
$words = preg_replace('#(\w{3,})#i', '<font style="background: yellow">$1</font>', $content);

qui fonctionne en partie mais ne gère pas les accents et les "petits" mots-composés... alors j'ai essayé de rajouter àéèêëîùç sans succès.

Le but étant de n'avoir plus que :

Bonjour ceci est énorme texte mot-clés déçu orage Marie-Antoinette co-living

Une petite aide s'il vous plait...

[badaze]

Essaie ça.

Code php :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
 
<?php
 $texte      = " Bonjour, ceci est un énorme texte ! 12 mot-clés déçu l'orage x-x --- Marie-Antoinette... co-living";
 $caracteres = "[a-z0-9àáâãäåçèéêëìíîïðòóôõöùúûüýÿA-ZÀÁÂÃÄÅÇÈÉÊËÌÍÎÏÐÒÓÔÕÖÙÚÛÜÝŸ\-]";
 $pattern    = "/($caracteres{3,})/m";
 preg_match_all($pattern,$texte,$out);
 var_dump($out);

[Tchupacabra]

Merci pour ton aide badaze
la regex attrape bien "co-living" mais aussi malheureusement "x-x" et "---"
et les caractères spéciaux s'affichent �

[badaze]

Pour les caractères accentués ça doit être dû à l'encodage de ton fichier. Le mien est UTF 8 sans BOM.

Pour les mots composés tu n'as pas spécifié comment les reconnaître. Informatiquement parlant x-x est équivalent à Marie-Antoinette dans le sens où le compilateur de regexp ne sait pas que x-x n'existe pas et que Marie-Antoinette existe.

[Nb]

Bonjour,
peut etre un truc dans le style :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
 
$mot = "[\p{L}']{3,}";
$motComp = "[\p{L}']{2,}-[\p{L}']{2,}";
echo preg_replace("#($motComp|$mot)#u", '<bal>$1</bal>', $var);

[Tchupacabra]

Pour les caractères accentués ça doit être dû à l'encodage de ton fichier. Le mien est UTF 8 sans BOM.

bien vu !

Pour les mots composés tu n'as pas spécifié comment les reconnaître. Informatiquement parlant x-x est équivalent à Marie-Antoinette dans le sens où le compilateur de regexp ne sait pas que x-x n'existe pas et que Marie-Antoinette existe.

effectivement je n'ai pas précisé... en faite il faudrait que le mot composé ne contienne qu'un seul - et un minimum de 3 lettres avant et/ou après

[Tchupacabra]

Bonjour,
peut etre un truc dans le style :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
 
$mot = "[\p{L}']{3,}";
$motComp = "[\p{L}']{2,}-[\p{L}']{2,}";
echo preg_replace("#($motComp|$mot)#u", '<bal>$1</bal>', $var);

Merci Nb ! bien vu l'astuce...
\p{L} et \w sont exactement les mêmes choses ???

je crois que je m'étais bien embêter pour rien avec mes caractères accentués...

dernière chose : et pour ne garder que le bon (ce qui est surligné) ?

[Nb]

\pL permet de filtrer les caracteres unicodes de type Lettre, ce qui inclue, notaement les caractères accentués.

Pour supprimer un truc du genre :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
preg_match_all("#($motComp|$mot)#u", $var, $m);
echo implode (' ', $m[1]);

ou alors tu fais un masque qui trouve les "mots" que tu ne veux pas et tu les remplaces directement par " " dans un preg_replace.

[Tchupacabra]

bon je n'arrive pas à faire un masque inverse... pas grave c'était juste pour déboguer.
Je vais donc utiliser ton dernier code avec preg_match_all et implode

J'ai essayé sans succès l'optimisation de mon indexation en retirant un ensemble de mots parasites comme des|les|car
avec :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

$mot = "[\\p{L}^(des|les|car)]{3,}";

Un dernier coup de pouce ?

[badaze]

Une amélioration mais pas sûr que cela suffise.

Code code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
 
<?php
 $texte      = " Bonjour, ceci est un énorme texte ! 12 mot-clés déçu l'orage x-x --- Marie-Antoinette... co-living  ad--hoc va-y y-va ad-patres";
 $caracteres = "[a-z0-9àáâãäåçèéêëìíîïðòóôõöùúûüýÿA-ZÀÁÂÃÄÅÇÈÉÊËÌÍÎÏÐÒÓÔÕÖÙÚÛÜÝŸ]";
 $pattern    = "/($caracteres{2,}-$caracteres{3,}|$caracteres{3,}-$caracteres{2,}|(?<!-)$caracteres{3,})/m";
 preg_match_all($pattern,$texte,$out);
 var_dump($out);

Donne :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
 
[1]=>
  array(11) {
    [0]=>
    string(7) "Bonjour"
    [1]=>
    string(4) "ceci"
    [2]=>
    string(3) "est"
    [3]=>
    string(7) "énorme"
    [4]=>
    string(5) "texte"
    [5]=>
    string(9) "mot-clés"
    [6]=>
    string(6) "déçu"
    [7]=>
    string(5) "orage"
    [8]=>
    string(16) "Marie-Antoinette"
    [9]=>
    string(9) "co-living"
    [10]=>
    string(9) "ad-patres"
  }

[Tchupacabra]

effectivement badaze... ton amélioration est intéressante. Je ne comprends pas tout mais pas mal !

Une idée pour exclure les mots parasites tel que : est|des|les|car ?

[badaze]

Pour les mots parasites, le plus simple est de les remplacer dès le début AMHA.

Code php :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
<?php
$texte   = " des fois descartes jouait aux cartes car il aimait ça";$liste   = "(des|car|aux)";
$pattern = "/\b$liste\b/";
print "Avant : $texte<br/>";
$texte2  = preg_replace($pattern,'',$texte);
print "Après : $texte2<br/>";

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
 
Avant :  des fois descartes jouait aux cartes car il aimait ça
Après :   fois descartes jouait  cartes  il aimait ça

[Tchupacabra]

ok je comprends qu'il est parfois préférable de faire en plusieurs étapes.

Merci à vous !!!
mon problème est résolu