现在，使用PHP 8，您可以使用str_contains执行此操作：

if (str_contains('How are you', 'are')) { 
    echo 'true';
}

RFC

PHP 8之前

您可以使用strpos（）函数，该函数用于查找一个字符串在另一个字符串中的出现：

$haystack = 'How are you?';
$needle   = 'are';

if (strpos($haystack, $needle) !== false) {
    echo 'true';
}

请注意，使用！==false是故意的（！=false或==true都不会返回期望的结果）；strpos（）返回大海捞针字符串开始时的偏移量，如果找不到针，则返回布尔值false。由于0是有效的偏移量，0是“false”，因此我们不能使用更简单的构造，如！strpos（$a，'are'）。

我在这方面遇到了一些麻烦，最后我选择了自己的解决方案。不使用正则表达式引擎：

function contains($text, $word)
{
    $found = false;
    $spaceArray = explode(' ', $text);

    $nonBreakingSpaceArray = explode(chr(160), $text);

    if (in_array($word, $spaceArray) ||
        in_array($word, $nonBreakingSpaceArray)
       ) {

        $found = true;
    }
    return $found;
 }

您可能会注意到，前面的解决方案并不是对另一个用作前缀的单词的答案。为了使用您的示例：

$a = 'How are you?';
$b = "a skirt that flares from the waist";
$c = "are";

对于上面的示例，$a和$b都包含$c，但您可能希望函数告诉您，只有$a包含$c。

现在，使用PHP 8，您可以使用str_contains执行此操作：

if (str_contains('How are you', 'are')) { 
    echo 'true';
}

RFC

PHP 8之前

您可以使用strpos（）函数，该函数用于查找一个字符串在另一个字符串中的出现：

$haystack = 'How are you?';
$needle   = 'are';

if (strpos($haystack, $needle) !== false) {
    echo 'true';
}

请注意，使用！==false是故意的（！=false或==true都不会返回期望的结果）；strpos（）返回大海捞针字符串开始时的偏移量，如果找不到针，则返回布尔值false。由于0是有效的偏移量，0是“false”，因此我们不能使用更简单的构造，如！strpos（$a，'are'）。

使用stripos（）使用不区分大小写的匹配：

if (stripos($string,$stringToSearch) !== false) {
    echo 'true';
}

strpos函数工作得很好，但是如果您想对段落中的单词进行不区分大小写的检查，那么可以使用PHP的stripos函数。

例如

$result = stripos("I love PHP, I love PHP too!", "php");
if ($result === false) {
    // Word does not exist
}
else {
    // Word exists
}

查找字符串中不区分大小写的子字符串第一次出现的位置。

如果字符串中不存在该单词，则返回false，否则返回单词的位置。

参考SamGoody和Lego Stormtropr的评论。

如果您正在寻找基于多个单词的接近度/相关性对搜索结果进行排名的PHP算法这里有一种仅使用PHP生成搜索结果的快速简便方法：

其他布尔搜索方法（如strpos（）、preg_match（）、strstr（）或stristr（

无法搜索多个单词结果未排名

基于向量空间模型和tf idf（术语频率–反向文档频率）的PHP方法：

这听起来很难，但却出奇地容易。

如果我们想搜索字符串中的多个单词，核心问题是如何为每个单词分配权重？

如果我们可以根据字符串作为一个整体的代表性来加权字符串中的项，我们可以按照与查询最匹配的结果排序。

这是向量空间模型的思想，与SQL全文搜索的工作原理相距不远：

function get_corpus_index($corpus = array(), $separator=' ') {

    $dictionary = array();

    $doc_count = array();

    foreach($corpus as $doc_id => $doc) {

        $terms = explode($separator, $doc);

        $doc_count[$doc_id] = count($terms);

        // tf–idf, short for term frequency–inverse document frequency, 
        // according to wikipedia is a numerical statistic that is intended to reflect 
        // how important a word is to a document in a corpus

        foreach($terms as $term) {

            if(!isset($dictionary[$term])) {

                $dictionary[$term] = array('document_frequency' => 0, 'postings' => array());
            }
            if(!isset($dictionary[$term]['postings'][$doc_id])) {

                $dictionary[$term]['document_frequency']++;

                $dictionary[$term]['postings'][$doc_id] = array('term_frequency' => 0);
            }

            $dictionary[$term]['postings'][$doc_id]['term_frequency']++;
        }

        //from http://phpir.com/simple-search-the-vector-space-model/

    }

    return array('doc_count' => $doc_count, 'dictionary' => $dictionary);
}

function get_similar_documents($query='', $corpus=array(), $separator=' '){

    $similar_documents=array();

    if($query!=''&&!empty($corpus)){

        $words=explode($separator,$query);

        $corpus=get_corpus_index($corpus, $separator);

        $doc_count=count($corpus['doc_count']);

        foreach($words as $word) {

            if(isset($corpus['dictionary'][$word])){

                $entry = $corpus['dictionary'][$word];


                foreach($entry['postings'] as $doc_id => $posting) {

                    //get term frequency–inverse document frequency
                    $score=$posting['term_frequency'] * log($doc_count + 1 / $entry['document_frequency'] + 1, 2);

                    if(isset($similar_documents[$doc_id])){

                        $similar_documents[$doc_id]+=$score;

                    }
                    else{

                        $similar_documents[$doc_id]=$score;

                    }
                }
            }
        }

        // length normalise
        foreach($similar_documents as $doc_id => $score) {

            $similar_documents[$doc_id] = $score/$corpus['doc_count'][$doc_id];

        }

        // sort from  high to low

        arsort($similar_documents);

    }   

    return $similar_documents;
}

案例1

$query = 'are';

$corpus = array(
    1 => 'How are you?',
);

$match_results=get_similar_documents($query,$corpus);
echo '<pre>';
    print_r($match_results);
echo '</pre>';

结果

Array
(
    [1] => 0.52832083357372
)

案例2

$query = 'are';

$corpus = array(
    1 => 'how are you today?',
    2 => 'how do you do',
    3 => 'here you are! how are you? Are we done yet?'
);

$match_results=get_similar_documents($query,$corpus);
echo '<pre>';
    print_r($match_results);
echo '</pre>';

结果

Array
(
    [1] => 0.54248125036058
    [3] => 0.21699250014423
)

案例3

$query = 'we are done';

$corpus = array(
    1 => 'how are you today?',
    2 => 'how do you do',
    3 => 'here you are! how are you? Are we done yet?'
);

$match_results=get_similar_documents($query,$corpus);
echo '<pre>';
    print_r($match_results);
echo '</pre>';

结果

Array
(
    [3] => 0.6813781191217
    [1] => 0.54248125036058
)

还有很多改进要做但是该模型提供了从自然查询获得良好结果的方法，它没有布尔运算符，例如strpos（）、preg_match（）、strstr（）或stritr（）。

不可接受的

可选地，在搜索单词之前消除冗余

从而减少索引大小并减少存储需求更少的磁盘I/O更快的索引和因此更快的搜索。

1.标准化

将所有文本转换为小写

2.停止字消除

从文本中删除没有实际意义的单词（如“and”、“or”、“the”、“for”等）

3.字典替换

将具有相同或相似含义的单词替换为其他单词。（例如：将“饥饿”和“饥饿”替换为“饥饿”）可以执行进一步的算法度量（滚雪球）以进一步将单词减少到其基本含义。用十六进制等价物替换颜色名称通过降低精度来减少数值是规范文本的其他方式。

资源

http://linuxgazette.net/164/sephton.htmlhttp://snowball.tartarus.org/MySQL全文搜索分数说明http://dev.mysql.com/doc/internals/en/full-text-search.htmlhttp://en.wikipedia.org/wiki/Vector_space_modelhttp://en.wikipedia.org/wiki/Tf%E2%80%93idfhttp://phpir.com/simple-search-the-vector-space-model/