要提取关键词，可以使用PHP中的分词技术，通常称为“中文分词”。分词是将一段文本切割成一个个单独的词汇或短语，这些独立的单元可以方便地进行统计和分析。

下面是一个简单的PHP中文分词代码示例：

```php

// 加载中文分词库

require_once('./segment.php');

// 原始文本内容

$text = '我喜欢吃苹果和香蕉';

// 使用中文分词库进行分词

$segment = new \Jieba\Segment();

$keywords = $segment->cut($text);

// 输出关键词

print_r($keywords);

在上面的示例代码中，我们首先加载了中文分词库（这里使用的是“jieba-php”库），然后定义了一个原始文本内容。接下来，我们使用中文分词库的`cut()`方法对原始文本进行分词，最终得到一组关键词，可以使用`print_r()`函数输出。

需要注意的是，这里的关键词提取只是基于频率进行的简单统计，对于一些较为特殊的文本，可能需要进行更加复杂的分词和分析才能得到准确的结果。

在PHP中，提取关键词可以使用多种方法，以下是其中几种常见的方法：

1. 利用分词库提取关键词

分词是将文本按照一定规则进行切分，得到单个词汇的过程。在PHP中可以使用分词库进行分词，再根据设定的关键词权重计算出文章中的关键词。

下面是一个简单的示例：

// 导入分词库

require_once('scws/scws.php');

// 初始化分词库

$scws = new Scws();

// 设定分词权重

$scws->set_charset('utf8');

$scws->set_multi(3);

$scws->set_ignore(true);

// 对文章进行分词

$scws->send_text($article);

$words = $scws->get_tops(10, 'r,v');

// 输出关键词

foreach($words as $word) {

echo $word['word'] . '<br>';

}

2. 利用TF-IDF算法提取关键词

TF-IDF是一种常用的文本挖掘算法，可以根据单词在文本中的出现频率以及在语料库中的出现频率来衡量单词的重要性。在PHP中可以使用第三方库如PhpNLP进行TF-IDF算法的实现。

下面是一个简单的示例：

// 导入PhpNLP库

require_once('PhpNLP/Autoloader.php');

use NlpTools\Tokenizers\WhitespaceTokenizer;

use NlpTools\Documents\TokensDocument;

use NlpTools\Models\IDF;

use NlpTools\Models\TfIdf;

// 将文章分词

$tokenizer = new WhitespaceTokenizer();

$document = new TokensDocument($tokenizer->tokenize($article));

// 计算TF-IDF值

$idf = new IDF($document);

$tf_idf = new TfIdf($idf);

$terms = $tf_idf->getMostImportantTerms($document, 10);

// 输出关键词

foreach($terms as $term) {

echo $term . '<br>';

}

注意，在使用TF-IDF算法时，需要先对文章进行分词处理。

以上仅是提取关键词的简单示例，实际应用中还需进行更多的定制和优化。