PHP匹配变音使404页面更加智能化

创建您自己的 404 错识消息处理程序，为站点内容提供有用的链接和重定向。使用变音匹配（metaphone matching）和一个简单的加权记分文件为输入错误、拼写错误和无效链接生成重定向建议。根据 Web 站点的内容和首选重定向位置定制建议。捕获传入 URL 请求中的各种错误，并通过处理纠正其中的目录、脚本和 HTML 页面名称错误。

关于如何为 404 页面创建有效格式的教程比比皆是。这类教程大多建议在 404 页面中包含静态的建议链接，并将这些链接指向站点的公共区域，比如说首页、下载页面和站点的搜索引擎，前提是要有这些页面。404 页面普遍存在的问题是它们无法反映用户访问该站点的目的。本文将介绍如何构建一个建议生成器和一个方法，用于根据 Web 站点的内容提供更加有用的重定向链接。

现行的 404 处理程序允许我们为各种错误提供一些建议链接，比如说将用户指向站点目录。一些拼写校正程序（比如说 mod_speling ——— 没错，它只有一个 “l”）可用于纠正词典单词中的错误，从而将用户定向到正确的页面。本文中的代码将帮助您构建一个建议生成引擎，它可以根据 Web 站点的内容来处理在词典中无法找到的单词和目录链接。

我们考虑这样一个场景：您在电话会议中听到了一个 Web 页面名称，因此便尝试打开 blegs/DavSmath.html 链接。现行的拼写校正模块无法为此情况提供一个有用的链接。使用本文中的代码，您将能够生成一个 404 页面，并在其中显示建议的有效页面 /blogs/DaveSmith.html。

需求

本世纪生产的任何现代 PC 应该都足以编写和运行本文中的代码。如果您的 Web 页面含有超过 10,000 个不同的页面，那么可能需要大容量的内存、高性能的硬件或足够的耐心。

所提供的 Perl 和 CGI 脚本可以在多种 UNIX® 和 Windows® 平台上运行（请参阅下载部分。虽然本文将使用 Apache 和一个 CGI 脚本作为建议引擎，但是所构建的工具应该能够在大多数 Web 服务器上正常运行。对于变音匹配，本文将引用 Michael Schwern 编写的 Text::Metaphone 模块。在开始之前，先通过喜好的 CPAN 镜像安装 Text::Metaphone 模块。请参阅参考资料获得下载信息。

Web 服务器页面和变音代码

针对输入和拼写错误提供替代建议的主要方法为变音匹配。与 Soundex 语音算法和一些其他算法类似，Metaphone 使用字母数字代码表示单词的发音。但是，与 Soundex 语音算法有所不同，构建语音代码的目的是匹配英文发音的语言可变性。因此，变音代码通常能够更加准确地表示特定的单词，并且为建议库的构建提供了理论基础。

考虑示例 Web 服务器目录中的下列文件。

清单 1. Web 服务器文件

以下为引用的内容：
./index.html
./survey.html
./search_tips.html
./about.html
./how.html
./why.html
./who.html
./NathanHarrington.html
./blogs/NathanHarrington.html
./blogs/DaveSmith.html
./blogs/MarkCappel.html

针对这些静态 HTML 文件，我们将使用 buildMetaphoneList.pl 程序为所有扩展名为 .html 的文件创建变音。

清单 2. buildMetaphoneList.pl

以下为引用的内容：
#!/usr/bin/perl -w
# buildMetaphoneList.pl - / split filename, 0 score, metaphones

use strict;
use File::Find;
use Text::Metaphone;

find(&htmlOnly,".");

sub htmlOnly
{
if( $File::Find::name =~ /.html/ )
{
my $clipFname = $File::Find::name;
$clipFname =~ s/.html//g;

my @slParts = split /, $clipFname;
shift(@slParts);

    print "$File::Find::name ### 0 ### ";
    for( @slParts ){ print Metaphone($_) . " " }
    print " ";

}#if a matching .html file

}#htmlOnly sub

buildMetaphoneList.pl 程序只能处理扩展名为 .html 的文件，它将移除文件名中的 .html，然后为完整路径名称的各个部分生成变音。将 buildMetaPhoneList.pl 程序复制到 Web 服务器的根目录下，然后运行命令 perl buildMetaphoneList.pl > metaphonesScore.txt。对于清单 1 中的文件，相应的 metaphonesScore.txt 文件内容如清单 3 所示。

清单 3. metaphonesScore.txt

以下为引用的内容：
./index.html ### 0 ### INTKS
./survey.html ### 0 ### SRF
./search_tips.html ### 0 ### SRXTPS
./about.html ### 0 ### ABT
./how.html ### 0 ### H
./why.html ### 0 ### H
./who.html ### 0 ### H
./NathanHarrington.html ### 0 ### N0NHRNKTN
./blogs/NathanHarrington.html ### 0 ### BLKS N0NHRNKTN
./blogs/DaveSmith.html ### 0 ### BLKS TFSM0
./blogs/MarkCappel.html ### 0 ### BLKS MRKKPL

清单 3 中的每一行文字都显示了 Web 服务器根目录下的实际链接、默认作用域和变音代码。注意，how.html、 why.html 和 who.html 都解析为了相同的变音代码。要解决这个不明确的地方，需要修改作用域字段，让链接建议程序以指定的顺序向页面提供链接。比如说，将 “H” 变音条目修改为：

以下为引用的内容：
./how.html ### 100 ### H
./why.html ### 50 ### H
./who.html ### 0 ### H

这样将创建一个直观的链接重排序，并留下空间用于作用域的进一步修改。作用域的数字越大，插入同一变音文件（不过是不同的作用域）的顺序就越靠后。比如说添加一个作用域为 25 的 hoo.html 文件列表，那么它将位于 who.html 条目之上和 why.html 条目之下。

您还可以使用作用域字段区分目录不同而名称相同的文件。比如说，将 ./NathanHarrington.html 一行的的作用域修改为 100，那么类似 nathenHorrington.html 这样的请求会将 ./NathanHarrington.html 链接列在 ./blogs/NathanHarrington.html 页面之前。

选择文件的作用域时，务必要考虑 Web 站点的统计和逻辑访问组件。从日志文件可以看出，用户对 why.html 页面的请求比较频繁，但是如果您认为 how.html 对于用户更为重要，那么只需修改相应的作用域值对排序做出纠正。

构建 CGI 404 处理程序

我们已经生成了适当的变音并为它们指定了相关的作用域值，下一步将构建实际的建议生成器。通常，404 错误消息的原因为链接输入错误或链接本身的问题。以下代码生成的建议将通过以下三个主要测试创建：根据目录结构匹配、使用变音组合匹配，以及当其他方法失败时使用 “包含” 匹配。这三种测试的设计目的是处理大多数 404 错误。MetaphoneSuggest CGI Perl 脚本的开始部分如下所示。

清单 4. MetaphoneSuggest CGI 第 1 部分

以下为引用的内容：
#!/usr/bin/perl -w
# MetaphoneSuggest - suggest links for typographical and other errors from 404s
use s