متن فارسی

CharNormalizer شکل‌های عربی حروف را با متن فارسی یکسان می‌کند. تنظیمات متن اصلی و کلید جستجو را متناسب با نیاز برنامه انتخاب کنید.

<?php
require 'vendor/autoload.php';

use Eram\Abzar\Text\{CharNormalizer, HalfSpaceFixer, Slug};

$n = new CharNormalizer();
echo $n->normalize('كتابي ٠١٢'), "\n";
echo $n->normalizeForSearch('۱۲۳ كتاب'), "\n";
echo HalfSpaceFixer::fix('می روم'), "\n";
echo Slug::generate('محصول ۱۲۳'), "\n";
echo $n->normalizeContent('<p title="كتابي">كتابي</p>'), "\n";

کتابی ۰۱۲
123 کتاب
می‌روم
محصول-123
<p title="كتابي">کتابی</p>

تنظیمات

حالت پیش‌فرض ي و ك و ارقام عربی را تبدیل می‌کند؛ ارقام انگلیسی تغییری نمی‌کنند. گزینه‌های سازنده همگی پیش‌فرض false دارند: tehMarbuta، foldHamza، stripTashkeel، stripKashida، stripBidiMarks و normalizeToNfc. گزینه foldHamza حرف آ را حفظ می‌کند. NFC به intl نیاز دارد، بقیه گزینه‌ها نه.

normalizeForSearch() تنظیمات انتخاب‌شده را اعمال می‌کند و ارقام را به انگلیسی تبدیل می‌کند. همین تنظیمات را برای داده قابل جستجو و query به کار ببرید. این متد index نمی‌سازد، رتبه‌بندی و fuzzy search ندارد، ریشه کلمه را پیدا نمی‌کند و به‌تنهایی جستجوی دیتابیس را اصلاح نمی‌کند. نیم‌فاصله و فاصله‌های تکراری را هم حذف نمی‌کند.

HTML و نیم‌فاصله

normalizeContent() فقط بخش‌های متنی را تغییر می‌دهد. تگ، attribute، entity، کامنت و محتوای script، style، pre، code و textarea دست‌نخورده می‌مانند. این روش بر پایه regex است؛ HTML sanitizer یا DOM parser کامل نیست. پاک‌سازی HTML نامطمئن را جداگانه انجام دهید.

HalfSpaceFixer چند قاعده پیشوند و پسوند دارد و دستور زبان را نمی‌فهمد. ممکن است کلمه بعد از می را حتی وقتی فعل نیست بچسباند. همه ترکیب‌ها یا فاصله‌ها را اصلاح نمی‌کند؛ تغییر گروهی متن را قبل از ذخیره بررسی کنید.

مرتب‌سازی و تشخیص کاراکتر

use Eram\Abzar\Text\{PersianCollator, Script};

(new PersianCollator())->sort(['ج', 'ب', 'ا']); // ['ا', 'ب', 'ج']; requires intl
Script::isPersian('سلام دنیا'); // true
Script::hasArabic('ك'); // true

بررسی‌های Script بر پایه مجموعه کاراکترها هستند، نه تشخیص زبان. خروجی Slug::generate() ممکن است خالی یا تکراری باشد؛ یکتا بودن و routing به برنامه مربوط است. ترتیب مرتب‌سازی به داده ICU نصب‌شده هم بستگی دارد.

مطالب مرتبط: ارقام، اصلاح کیبورد، WordPress، خطاها.