我有一个网站，用户可以在其中输入有关自己的描述。
大多数用户写了一些合适的东西，但有些用户只是多次复制/粘贴相同的文本（以创建相当数量的文本的外观）。
例如：“爱一个，和平爱一个，和平爱一个，和平爱一个，和平爱a，和平爱a和和平”
有没有一种用PHP检测重复文本的好方法？
我目前唯一的概念是将文本分解成单独的单词（由空格分隔），然后查看单词的重复次数是否超过一组限制。注意：我不是100%确定如何编写此解决方案。
关于检测重复文本的最佳方法的想法？或者如何对上述想法进行编码？
这是一个基本的文本分类问题。有很多关于如何确定某些文本是否是垃圾邮件/非垃圾邮件的文章，如果您真的想深入了解细节，我建议您深入研究。对于您需要在此处执行的操作而言，其中很多内容可能都过分了。
当然，一种方法是评估为什么你要求人们输入更长的简历，但我假设你已经决定强迫人们输入更多的文本是要走的路。
以下是我将要执行的操作的概述：
这种方法需要您弄清楚两组之间有什么不同。直观地说，我希望垃圾邮件显示较少的唯一单词，如果您绘制直方图值，则曲线下方的较高区域将集中在顶部单词上。
下面是一些示例代码，可帮助您继续学习：
$str = 'Love a and peace love a and peace love a and peace love a and peace love a and peace love a and peace';
// Build a histogram mapping words to occurrence counts
$hist = array();
// Split on any number of consecutive whitespace characters
foreach (preg_split('/\s+/', $str) as $word)
{
// Force all words lowercase to ignore capitalization differences
$word = strtolower($word);
// Count occurrences of the word
if (isset($hist[$word]))
{
$hist[$word]++;
}
else
{
$hist[$word] = 1;
}
}
// Once you're done, extract only the counts
$vals = array_values($hist);
rsort($vals); // Sort max to min
// Now that you have the counts, analyze and decide valid/invalid
var_dump($vals);
当您对某些重复字符串运行此代码时，您将看到差异。下面是您给出的示例字符串中的数组图：$vals
将其与维基百科中马丁·路德·金传记的前两段进行比较：
长尾巴表示许多独特的单词。仍然有一些重复，但一般的形状显示出一些变化。
仅供参考，PHP有一个统计包，如果你要做很多数学运算，如标准偏差，分布建模等，你可以安装。
您可以使用正则表达式，如下所示：
if (preg_match('/(.{10,})\\1{2,}/', $theText)) {
echo "The string is repeated.";
}
解释：
(.{10,})查找并捕获长度至少为 10 个字符的字符串\\1{2,}至少再查找第一个字符串 2 次可能进行调整以满足您的需求：
1010love and peace love and peace{2,}2,{2,}
