サンプル・プログラム
| WordCloud.php | サンプル・プログラム本体。 |
| pahooInputData.php | データ入力に関わる関数群。 使い方は「数値入力とバリデーション」「文字入力とバリデーション」などを参照。include_path が通ったディレクトリに配置すること。 |
| バージョン | 更新日 | 内容 |
|---|---|---|
| 2.2.0 | 2023/12/16 | 日本語形態素解析V2対応 |
| 2.1 | 2021/10/02 | PHP8対応，リファラチェック改良 |
| 2.1 | 2017/04/09 | PHP7対応 |
| 2.0 | 2014/08/02 | 大幅改訂 |
| 1.1 | 2009/06/20 | chunked対応、ぱふぅ家のホームページ以外に対応 |
| バージョン | 更新日 | 内容 |
|---|---|---|
| 1.5.0 | 2024/01/28 | exitIfExceedVersion() 追加 |
| 1.4.2 | 2024/01/28 | exitIfLessVersion() メッセージ修正 |
| 1.4.1 | 2023/09/30 | コメントの訂正 |
| 1.4.0 | 2023/09/09 | $_GET, $_POST参照をfilter_input()関数に置換 |
| 1.3.0 | 2023/07/11 | roundFloat() 追加 |
必要な機能
- URLからコンテンツを取り出す。
- コンテンツから単語を切り出し、出現頻度を数える。
- 出現頻度の高い単語ほど大きく表示する。
3．は、後述する 関数によって実現する。
解説：準備
59: //Yahoo! JAPAN Webサービス アプリケーションID【各自で設定】
60: //取得方法：https://www.pahoo.org/e-soul/webtech/php06/php06-01-02.shtm#Yahoo
61: define('YAHOO_APPLICATION_ID', '**********************************');
取得したIDは定数 APPLICATION_ID に格納する。
解説：ワードクラウドの作成
258: /**
259: * ワードクラウドを作成する
260: * @param array $items 情報を格納した配列
261: * @return string ワードクラウド（HTML）
262: */
263: function getWordCloud($items) {
264: $outstr = '';
265: $n = 0;
266:
267: //出現頻度の最大値・最小値を調べる
268: $countMax = 0;
269: $countMin = 0;
270: foreach ($items as $surface=>$val) {
271: if (isDisplayWord($surface, $val['pos'])) {
272: if ($val['count'] > $countMax) $countMax = $val['count'];
273: if ($val['count'] < $countMin) $countMin = $val['count'];
274: }
275: }
276: $k = (MAX_FONT_SIZE - MIN_FONT_SIZE) / ($countMax - $countMin);
277:
278: foreach ($items as $surface=>$val) {
279: if (isDisplayWord($surface, $val['pos'])) {
280: $n++;
281: $count = $val['count'];
282: $fsize = (int)($k * $val['count'] + MIN_FONT_SIZE);
283: if ($fsize < MIN_FONT_SIZE) $fsize = MIN_FONT_SIZE;
284: if ($fsize > MAX_FONT_SIZE) $fsize = MAX_FONT_SIZE;
285: $link = getLink($surface);
286: if ($n > 1) $outstr .= "，\n";
287: $outstr .=<<< EOT
288: <span style="font-size: {$fsize}%;">
289: <a href={$link}>{$surface}</a>
290: </span>
291:
292: EOT;
293: }
294: }
295: return $outstr;
296: }
ある単語の表示フォントサイズ（％） \( S_n \) は下記の計算式で算出する。
\[ S_n = k C_n + S_{min} \] \[ k = \frac{S_{max} - S_{min}}{C_{max} - C_{min}} \] \( S_{max} \) ‥‥最小表示フォントサイズ（％）
\( S_{min} \) ‥‥最大表示フォントサイズ（％）
\( C_{max} \) ‥‥単語の最大出現回数
\( C_{min} \) ‥‥単語の最小出現回数
\( C_n \) ‥‥ある単語の出現回数
222: /**
223: * ワードクラウド表示時における個々の単語のリンク先URLを取得する
224: * @param string $surface 見出し語
225: */
226: function getLink($surface) {
227: $url = 'https://www.google.com/search?hl=ja&lr=lang_ja&q='; //Google検索
228: $site = SEARCH_DOMAIN; //検索絞り込みドメイン名
229:
230: return $url . urlencode($surface) . '+site%3A' . $site;
231: }
ここでは、その単語をGoogle検索に投げ、その際に site で絞り込み検索を指定するようにした。$site には自サイトのURLを入れておけばいいだろう。
解説：コンテンツの取り出し
138: /**
139: * コンテンツの必要な部分を読み込む
140: * @param string $url コンテンツのURL
141: * @return string 読み込んだコンテンツ／FALSE=失敗
142: */
143: function myGetContents($url) {
144: $instr = @file_get_contents($url);
145: $instr = mb_convert_encoding($instr, INTERNAL_ENCODING, 'auto');
146: if ($instr == FALSE || $instr == '') return FALSE;
147:
148: //scriptを除く
149: $arr = array();
150: $ss = preg_match('/\<body.*?\>(.*?)<\/body\>/imsu', $instr, $arr);
151: $ss = preg_replace('/\<script.*?\>.*?<\/script\>/imsu', '', $arr[1]);
152: $ss = preg_replace('/\<style.*?\>.*?<\/style\>/imsu', '', $ss);
153: $ss = preg_replace('/\ \;/imsu', '', $ss); // を除く
154: $ss = strip_tags($ss); //タグを除く
155: $ss = html_entity_decode($ss); //特殊文字を通常文字に変換
156: $outstr = preg_replace('/\n|\r|\r|\t/', '', $ss); //改行、タブを除く
157:
158: return $outstr;
159: }
まず、URLの全体を getParse に渡すのは非合理的だ。ヘッダやフッタなど、コンテンツとして分析する必要がない部分も含まれてしまう。
そこで用意したのがユーザー関数 myGetContents である。
まず、関数 file_get_contents を使ってコンテンツ全体を変数 $instr に取り込む。
次に、 preg_match を使って、<body> タグ内だけ切り出す。
続いて、<script> タグや<style> タグ内は省く。特殊文字 無視する。
最後に、関数 strip_tags 、 html_entity_decode 、 preg_replace を使い、HTMLやPHPのタグ、特殊文字、改行・タブなどを消去しておく。
ユーザー関数 my_get_contents については、解析したサイトの状況に合わせて変更してほしい。
質疑応答
define('REFER_ON', '');【回答】
アプリケーションIDを入力し、リンク先ドメイン名を入力サンプルURLをワードクラウドを作りたいページにし、以上の変更を加えたのに、上記の結果に。
まだほかに修正する個所があるのでしょうか
プログラムが使用しているYahoo!JAPANのWebAPI「日本語形態素解析」がバージョンアップし、旧バージョンは使用できなくなりました。プログラムを新しいバージョンに対応させましたので、お試しください。
また、アプリケーションエラーを表示したときは、プログラム冒頭にある FLAG_RELEASE の定義を
define('FLAG_RELEASE', FALSE);
としていただくことで、詳しいエラーを表示するようになります。
参考サイト
- PHPで形態素解析を行う：ぱふぅ家のホームページ
- PHPでURLエンコードを行う：ぱふぅ家のホームページ
- PHPでキーフレーズを取り出す：ぱふぅ家のホームページ
今回は、与えられたURLのワードクラウドを表示するプログラムをPHPで作ってみることにする。