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
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
|
<?php
/**
* This file is part of the RussianStemmer package
*
* (c) Alexander Kiryukhin
*
* For the full copyright and license information, please view the LICENSE
* file that was distributed with this source code
*/
namespace NXP;
class Stemmer
{
const VOWEL = 'аеёиоуыэюя';
const REGEX_PERFECTIVE_GERUNDS1 = '(в|вши|вшись)$';
const REGEX_PERFECTIVE_GERUNDS2 = '(ив|ивши|ившись|ыв|ывши|ывшись)$';
const REGEX_ADJECTIVE = '(ее|ие|ые|ое|ими|ыми|ей|ий|ый|ой|ем|им|ым|ом|его|ого|ему|ому|их|ых|ую|юю|ая|яя|ою|ею)$';
const REGEX_PARTICIPLE1 = '(ем|нн|вш|ющ|щ)';
const REGEX_PARTICIPLE2 = '(ивш|ывш|ующ)';
const REGEX_REFLEXIVES = '(ся|сь)$';
const REGEX_VERB1 = '(ла|на|ете|йте|ли|й|л|ем|н|ло|но|ет|ют|ны|ть|ешь|нно)$';
const REGEX_VERB2 = '(ила|ыла|ена|ейте|уйте|ите|или|ыли|ей|уй|ил|ыл|им|ым|ен|ило|ыло|ено|ят|ует|уют|ит|ыт|ены|ить|ыть|ишь|ую|ю)$';
const REGEX_NOUN = '(а|ев|ов|ие|ье|е|ьё|иями|ями|ами|еи|ии|и|ией|ей|ой|ий|й|иям|ям|ием|ем|ам|ом|о|у|ах|иях|ях|ы|ь|ию|ью|ю|ия|ья|я)$';
const REGEX_SUPERLATIVE = '(ейш|ейше)$';
const REGEX_DERIVATIONAL = '(ост|ость)$';
const REGEX_I = 'и$';
const REGEX_NN = 'нн$';
const REGEX_SOFT_SIGN = 'ь$';
/**
* @param string $word
*
* @return string
*/
public static function getWordBase($word)
{
$originalInternalEncoding = mb_internal_encoding();
mb_internal_encoding('UTF-8');
list($rv, $r2) = self::findRegions($word);
// Шаг 1: Найти окончание PERFECTIVE GERUND. Если оно существует – удалить его и завершить этот шаг.
if (!self::removeEndings($word, array(self::REGEX_PERFECTIVE_GERUNDS1, self::REGEX_PERFECTIVE_GERUNDS2), $rv)) {
// Иначе, удаляем окончание REFLEXIVE (если оно существует).
self::removeEndings($word, self::REGEX_REFLEXIVES, $rv);
// Затем в следующем порядке пробуем удалить окончания: ADJECTIVAL, VERB, NOUN. Как только одно из них найдено – шаг завершается.
if (!(self::removeEndings(
$word,
array(
self::REGEX_PARTICIPLE1 . self::REGEX_ADJECTIVE,
self::REGEX_PARTICIPLE2 . self::REGEX_ADJECTIVE
),
$rv
) || self::removeEndings($word, self::REGEX_ADJECTIVE, $rv))
) {
if (!self::removeEndings($word, array(self::REGEX_VERB1, self::REGEX_VERB2), $rv)) {
self::removeEndings($word, self::REGEX_NOUN, $rv);
}
}
}
// Шаг 2: Если слово оканчивается на и – удаляем и.
self::removeEndings($word, self::REGEX_I, $rv);
// Шаг 3: Если в R2 найдется окончание DERIVATIONAL – удаляем его.
self::removeEndings($word, self::REGEX_DERIVATIONAL, $r2);
// Шаг 4: Возможен один из трех вариантов:
// 1. Если слово оканчивается на нн – удаляем последнюю букву.
if (self::removeEndings($word, self::REGEX_NN, $rv)) {
$word .= 'н';
}
// 2. Если слово оканчивается на SUPERLATIVE – удаляем его и снова удаляем последнюю букву, если слово оканчивается на нн.
self::removeEndings($word, self::REGEX_SUPERLATIVE, $rv);
// 3. Если слово оканчивается на ь – удаляем его.
self::removeEndings($word, self::REGEX_SOFT_SIGN, $rv);
mb_internal_encoding($originalInternalEncoding);
return $word;
}
/**
* @param string $word
* @param string|string[] $regex
* @param int $region
*
* @return bool
*/
public static function removeEndings(&$word, $regex, $region)
{
$prefix = mb_substr($word, 0, $region, 'UTF-8');
$ending = mb_substr($word, mb_strlen($prefix, 'UTF-8'), null, 'UTF-8');
if (is_array($regex)) {
if (preg_match('/.+[ая]' . $regex[0] . '/ui', $ending)) {
$word = $prefix . preg_replace('/' . $regex[0] . '/ui', '', $ending);
return true;
}
$regex = $regex[1];
}
if (preg_match('/.+' . $regex . '/ui', $ending)) {
$word = $prefix . preg_replace('/' . $regex . '/ui', '', $ending);
return true;
}
return false;
}
/**
* @param string $word
*
* @return int[]
*/
private static function findRegions($word)
{
$rv = 0;
$state = 0;
$wordLength = mb_strlen($word, 'UTF-8');
for ($i = 1; $i < $wordLength; $i++) {
$prevChar = mb_substr($word, $i - 1, 1, 'UTF-8');
$char = mb_substr($word, $i, 1, 'UTF-8');
switch ($state) {
case 0:
if (self::isVowel($char)) {
$rv = $i + 1;
$state = 1;
}
break;
case 1:
if (self::isVowel($prevChar) && !self::isVowel($char)) {
$state = 2;
}
break;
case 2:
if (self::isVowel($prevChar) && !self::isVowel($char)) {
return [$rv, $i + 1];
}
break;
}
}
return [$rv, 0];
}
/**
* @param string $char
*
* @return bool
*/
private static function isVowel($char)
{
return mb_stripos(self::VOWEL, $char, 0, 'UTF-8') !== false;
}
}
|
