查看strpos（）：

<?php
$mystring = 'abc';
$findme   = 'a';
$pos = strpos($mystring, $findme);

// Note our use of ===. Simply, == would not work as expected
// because the position of 'a' was the 0th (first) character.
if ($pos === false) {
    echo "The string '$findme' was not found in the string '$mystring'.";
} else {
    echo "The string '$findme' was found in the string '$mystring',";
    echo " and exists at position $pos.";
}

为了找到一个“单词”，而不是出现一系列实际上可能是另一个单词的一部分的字母，以下是一个很好的解决方案。

$string = 'How are you?';
$array = explode(" ", $string);

if (in_array('are', $array) ) {
    echo 'Found the word';
}

虽然这些答案中的大多数都会告诉你字符串中是否出现了子字符串，但如果你要查找的是一个特定的单词，而不是子字符串，那么这通常不是你想要的。

有什么不同？子字符串可以出现在其他单词中：

“area”开头的“are”“野兔”末尾的“are”“are”位于“fare”的中间

缓解这种情况的一种方法是使用正则表达式和单词边界（\b）：

function containsWord($str, $word)
{
    return !!preg_match('#\\b' . preg_quote($word, '#') . '\\b#i', $str);
}

这种方法没有上面提到的假阳性，但它有自己的一些边缘情况。单词边界与非单词字符（\W）匹配，这些字符将是非a-z、a-z、0-9或_的任何字符。这意味着数字和下划线将被计算为单词字符，类似这样的场景将失败：

“你在想什么？”中的“是”“哦，你不知道那些是4吗？”

如果你想要比这更准确的东西，你必须开始进行英语语法分析，这是一个相当大的蠕虫（而且假设语法使用正确，但这并不总是给定的）。

在PHP中，验证字符串是否包含某个子字符串的最佳方法是使用一个简单的助手函数，如下所示：

function contains($haystack, $needle, $caseSensitive = false) {
    return $caseSensitive ?
            (strpos($haystack, $needle) === FALSE ? FALSE : TRUE):
            (stripos($haystack, $needle) === FALSE ? FALSE : TRUE);
}

说明：

strpos查找字符串中第一个区分大小写的子字符串的位置。stripos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。myFunction（$haystack，$needle）===假？FALSE：TRUE确保myFunction始终返回布尔值，并修复子字符串索引为0时的意外行为。$case敏感？A：B选择strpos或stripos来完成工作，具体取决于$caseSensitive的值。

输出：

var_dump(contains('bare','are'));            // Outputs: bool(true)
var_dump(contains('stare', 'are'));          // Outputs: bool(true)
var_dump(contains('stare', 'Are'));          // Outputs: bool(true)
var_dump(contains('stare', 'Are', true));    // Outputs: bool(false)
var_dump(contains('hair', 'are'));           // Outputs: bool(false)
var_dump(contains('aren\'t', 'are'));        // Outputs: bool(true)
var_dump(contains('Aren\'t', 'are'));        // Outputs: bool(true)
var_dump(contains('Aren\'t', 'are', true));  // Outputs: bool(false)
var_dump(contains('aren\'t', 'Are'));        // Outputs: bool(true)
var_dump(contains('aren\'t', 'Are', true));  // Outputs: bool(false)
var_dump(contains('broad', 'are'));          // Outputs: bool(false)
var_dump(contains('border', 'are'));         // Outputs: bool(false)

可以通过三种不同的方式完成：

 $a = 'How are you?';

1-stristr（）

 if (strlen(stristr($a,"are"))>0) {
    echo "true"; // are Found
 } 

2-strpos（）

 if (strpos($a, "are") !== false) {
   echo "true"; // are Found
 }

3-preg_match（）

 if( preg_match("are",$a) === 1) {
   echo "true"; // are Found
 }

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/