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("/<div class=\"c-abstract\">(.*?)<\/div>(.*?)href=\"(.*?)\"/is", $info,$baidu);
$count1=count($baidu['1']);
for($i=0;$i<$count1;$i++){
preg_match_all("/<em>(.*?)<\/em>/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;$i<$count;$i++){
similar_text($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'=>$in];
}
}
单独一组38个汉字咱们已经写完了，现在需要来一个查询多组的。以下为源代码
[PHP] 纯文本查看 复制代码 function ycl($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<$count;$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：
好了，到此结束，谢谢大家的观看。
| 
发表于 2020-8-16 14:23
|
发表于 2020-8-17 16:34
