¿Cómo puedo detectar grupos de cadenas comunes en nombres de archivos

Question

? He estado tratando de encontrar una forma de detectar series de archivos. Por ejemplo:

Si un directorio dado tiene los siguientes archivos:

• Birthday001.jpg
• Birthday002.jpg
• Birthday003.jpg
• Picknic1.jpg
• Picknic2.jpg
• Afternoon.jpg.

me gustaría obtener la condensar el anuncio a algo así como

• cumpleaños (3 fotos)
• Picknic (2 fotos)
• Tarde (1 foto)

¿Cómo debo proceder para detectar los grupos?

Answer 1

Aquí hay una manera de resolver esto, que es más eficiente que un método de fuerza bruta.

• carga todos los nombres en una matriz asociativa con clave igual al nombre y el valor igual al nombre pero con dígitos despojado (preg_replace('/\d//g', $key)).

Tendrá algo así como $arr1 = [Birthday001 => Birthday, Birthday002 => Birthday ...]

• ahora hacer otra matriz asociativa con las claves que son los valores de la primera matriz y un valor que es un recuento. Incrementa el conteo cuando ya has visto la clave.
• Al final terminarás con una segunda matriz que contiene los nombres y los recuentos, justo como querías. Algo así como $arr2 = [Birthday => 2, ...]

Answer 2

simplemente construir un histograma cuyas claves se modifican mediante una expresión regular:

<?php 

# input 
$filenames = array("Birthday001.jpg", "Birthday002.jpg", "Birthday003.jpg", "Picknic1.jpg", "Picknic2.jpg", "Afternoon.jpg"); 

# create histogram 
$histogram = array(); 
foreach ($filenames as $filename) { 
    $name = preg_replace('/\d+\.[^.]*$/', '', $filename); 
    if (isset($histogram[$name])) { 
     $histogram[$name]++; 
    } else { 
     $histogram[$name] = 1; 
    } 
} 

# output 
foreach ($histogram as $name => $count) { 
    if ($count == 1) { 
     echo "$name ($count picture)\n"; 
    } else { 
     echo "$name ($count pictures)\n"; 
    } 
} 

?> 

Answer 3

Generar una matriz de palabras como "mi" (el desarrollo de esta gama será muy importante, "mi" es el único en su ejemplo dado) y quítelos de todos los nombres de archivo. Elimine todos los números y la puntuación, también las extensiones deberían haber desaparecido en este punto. Una vez hecho esto, coloque todos los resultados únicos en una matriz. A continuación, puede utilizar esto como una fuente bastante confiable de palabras clave para buscar cualquier rezagado que el otro procesamiento no captó.