PHP 從文章內容智能提取標題：基於標點符號與長度的啟發式算法

核心邏輯解析

從純文本內容中提取潛在標題，利用中文標點符號作為邊界，篩選長度適中（5-30 字）的片段，隨機選取一個作為標題。

完善後的代碼實現

<?php
/**
 * 從內容中智能提取標題
 * @param string $content 文章內容（已去除 HTML 標籤）
 * @param int $minLen 最小長度
 * @param int $maxLen 最大長度
 * @return string|null 提取的標題或 null
 */
function extractTitleFromContent($content, $minLen = 5, $maxLen = 30) {
    // 1. 全角轉半角（統一標點處理）
    $content = fullWidthToHalfWidth($content);
    
    // 2. 移除 HTML 標籤（防干擾）
    $content = strip_tags($content);
    
    // 3. 正則匹配：標點符號包裹的文本片段
    // [\x{3000}-\x{303F}\x{FF00}-\x{FFEF}] 覆蓋中日韓標點
    // 也可使用 \p{P} 匹配所有 Unicode 標點（需 u 修飾符）
    $pattern = '/[\p{P}\p{S}]([^\p{P}\p{S}]{' . $minLen . ',' . $maxLen . '})[\p{P}\p{S}]/u';
    
    if (preg_match_all($pattern, $content, $matches)) {
        // $matches[1] 包含所有捕獲組（不含邊界標點）
        $candidates = $matches[1];
        
        // 4. 可選：過濾低質量候選（純數字、重複字符、過多標點等）
        $candidates = array_filter($candidates, function($title) {
            // 過濾純數字
            if (preg_match('/^[\d\s\.\,\%\+\-\*\/]+$/', $title)) return false;
            // 過濾重複字符佔比過高
            $uniqueChars = count(array_unique(mb_str_split($title)));
            if ($uniqueChars / mb_strlen($title) < 0.3) return false;
            return true;
        });
        
        if (!empty($candidates)) {
            // 5. 隨機選取（或按位置權重：首段優先）
            return $candidates[array_rand($candidates)];
        }
    }
    
    return null;
}

/**
 * 全角轉半角（優化版：使用映射表而非巨大數組）
 */
function fullWidthToHalfWidth($str) {
    static $map = null;
    if ($map === null) {
        $map = [];
        // 數字 ０-９ → 0-9
        for ($i = 0; $i <= 9; $i++) {
            $map[mb_chr(0xFF10 + $i)] = (string)$i;
        }
        // 大寫 Ａ-Ｚ → A-Z
        for ($i = 0; $i < 26; $i++) {
            $map[mb_chr(0xFF21 + $i)] = chr(0x41 + $i);
        }
        // 小寫 ａ-ｚ → a-z
        for ($i = 0; $i < 26; $i++) {
            $map[mb_chr(0xFF41 + $i)] = chr(0x61 + $i);
        }
        // 常用標點
        $punctMap = [
            '（' => '(', '）' => ')', '〔' => '[', '〕' => ']', '【' => '[', '】' => ']',
            '〖' => '[', '〗' => ']', '"' => '"', '"' => '"', ''' => "'", ''' => "'",
            '｛' => '{', '｝' => '}', '《' => '<', '》' => '>',
            '％' => '%', '＋' => '+', '－' => '-', '～' => '~',
            '：' => ':', '。' => '.', '、' => ',', '，' => ',', '；' => ';',
            '？' => '?', '！' => '!', '…' => '...', '‖' => '|',
            '＂' => '"', '＇' => "'", '｜' => '|', '〃' => '"',
            '　' => ' ', '＄' => '$', '＠' => '@', '＃' => '#', '＾' => '^', '＆' => '&', '＊' => '*',
        ];
        $map = array_merge($map, $punctMap);
    }
    return strtr($str, $map);
}

// 測試
$content = "這是一段測試內容。標題候選一：這是一個不錯的標題！另一個候選：PHP 開發技巧分享。結束。";
$title = extractTitleFromContent($content);
echo "提取標題: " . ($title ?? '無') . "\n";
// 可能輸出: "這是一個不錯的標題" 或 "PHP 開發技巧分享"

算法優化方向

生產環境建議架構

內容輸入
    ↓
HTML 清洗 → 純文本
    ↓
語言檢測（中/英/日/韓...）
    ↓
分句（jieba / NLTK / Kuromoji / MeCab）
    ↓
候選生成（長度 5-50，首段優先，含關鍵詞加分）
    ↓
特徵提取（長度、位置、關鍵詞密度、標題詞特徵、實體識別）
    ↓
評分模型（LR / XGBoost / BERT fine-tune）
    ↓
Top-K 輸出 → 業務邏輯選擇或人工審核

常見問題與避坑

• 編碼不一致：確保源內容、正則、PHP 文件均為 UTF-8，否則 u 修飾符失效
• 標點邊界缺失：首尾無標點的片段無法匹配，需補充 ^([^\p{P}]{5,30})[\p{P}] 和 [\p{P}]([^\p{P}]{5,30})$
• 英文內容：空格分詞而非標點，需單獨處理邏輯
• 性能：大文本先截取前 5000 字符處理，標題通常在前段

擴展：基於 TextRank 的無監督關鍵句提取

// 依賴 composer require jieba/jieba-php
use Fukuball\Jieba\Jieba;
use Fukuball\Jieba\Finalseg;

Jieba::init();
Finalseg::init();

function textRankKeywords($text, $topK = 5) {
    $jieba = new Jieba();
    $words = $jieba->extractTags($text, $topK);
    return $words; // 返回權重排序的關鍵詞
}

// 結合標題生成：取 Top 3 關鍵詞組合或作為標題標籤