conteggio parole in una pagina

[Stanislao]

Gentile team, ho una domanda un po strana forse....
è possibile in php interrogare una pagina html ( url ) e contare se e quante parole con più di 4 lettere uguali sono presenti il quella pagina?

grazie mille

[Santino83_02]

beh, con una linea di codice no... devi scaricarti la pagina, parsarla in maniera da estrapolare solo "il testo" vero e proprio (niente tag html, script javascript etc) e dopo parsare il testo ricavato in maniera da poter applicare qualche sistema (regular expression?) per contare le parole che ti interessano. Magari se trovi qualcosa di già fatto per estrarre il testo da una pagina html, ti ritrovi metà lavoro fatto

[Stanislao]

ho trovato questo :

<?php$read = @file_get_contents("http://miosito.html"); echo htmlspecialchars($read);  ?>

che mi restituisce tutto l'html
ora da qui dovrei un po pulire l'echo.
per esempio posso cercare tutte le parole uguali e stampare solo quelle?
oppure magari se gia riuscissi a stampare solo tutti i contenuti presenti tra il tag <td></td>
gia sarebbe un ottima scrematura

grazie mille

[Santino83_02]

http://htmlparsing.com/php.html

[Stanislao]

ho realizzato uno script che funziona... prende tutte le parole, conta quelle uguali e fa quello che deve fare
però ho 2 problemi:
1) vorrei considerare solo il contenuto di un tag td specifico
2) vorrei poter confrontare dove nella pagina ci sono due parole di una frase uguali oppure addirittura tutte le frasi uguali presenti e non le parole...

vi posto lo script che cmq funziona e può servire a qualcuno....

<?phpini_set('max_execution_time',3000);$url = $_POST['url'];$result = getUrltext($url);
$bcheck = true;while ($bcheck) {    $delString = getStrContent("<script", "</script>", $result);    //echo $delString;    if ($delString != '') {        $result = str_replace("<script" . $delString . "</script>", '', $result);    }else{        $bcheck = false;    }}
$bcheck = true;while ($bcheck){    $delString = getStrContent("<style","</style>",$result);    if ($delString != '') {        $result = str_replace("<style" . $delString . "</style>", '', $result);    }else{        $bcheck = false;    }}
$bcheck = true;while ($bcheck){    $delString = getStrContent("<",">",$result);    if ($delString != '') {        $result = str_replace( "<" .$delString . ">", ' ', $result);
    }else{        $bcheck = false;    }}
$result = str_replace("\n",'',$result);$result = str_replace("\t",'',$result);$result = preg_replace("/[ #\&\+\-%@=\/\\\:;,\.'\"\^`~\_|\!\?\*$#<>()\[\]\{\}]/i", ' ', $result);$valueList1 = array();$valueList2 = array();$valresult = array();
$valueList1 = explode(' ',$result);$valueList1 = array_filter($valueList1);$valueList2 = $valueList1;$valueList1 = array_unique($valueList1);
foreach($valueList1 as $value1){    $ncount = 0;    foreach($valueList2 as $value2){        if($value1 == $value2){            $ncount++;        }    }    if($ncount > 4 && strlen($value1) > 4){        $value['name'] = $value1;        $value['count'] = $ncount;        array_push($valresult,$value);            }
}
foreach($valresult as $key => $row){    $volume[$key]  = $row['count'];}array_multisort($volume, SORT_DESC, $valresult);

function getUrltext($url, $encoding = true)  {        //ini_set('max_execution_time', 300);        //set_time_limit (300);        $ch = curl_init();        $headers = array('User-Agent: Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/52.0.2743.116 Safari/537.36');        curl_setopt($ch, CURLOPT_HTTPHEADER, $headers);        //curl_setopt($ch, CURLOPT_HTTPPROXYTUNNEL, 0);        /*curl_setopt($c, CURLOPT_PROXYTYPE, 'HTTP');        curl_setopt($ch, CURLOPT_PROXY, '92.114.43.122');        curl_setopt($ch, CURLOPT_PROXYPORT, '8080');        */        curl_setopt($ch,  CURLOPT_URL, $url);        //curl_setopt($ch, CURLOPT_ENCODING ,"windows-1251");        curl_setopt ($ch, CURLOPT_HEADER, 0);        curl_setopt($ch,  CURLOPT_RETURNTRANSFER, true);        //curl_setopt($ch, CURLOPT_COOKIEJAR,COOKIE);        //curl_setopt($ch,CURLOPT_COOKIEFILE,COOKIE);        curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);        $result = curl_exec($ch);        if($encoding)            $result  = mb_convert_encoding($result,"utf-8","windows-1251");        curl_close ($ch);        return $result;  }
function getStrContent($startText ,$endText, $strContent){    $strContent = stristr($strContent, $startText);    $strContent = substr($strContent, strlen($startText));    $stop = stripos($strContent,$endText);    $strContent = substr($strContent,0,$stop);    return $strContent;}?>
<table>    <?php        foreach($valresult as $item){            echo "<tr><td>" . $item['name'] . "</td><td>" . $item['count'] . "</td></tr>";        }    ?></table>

grazie a chi saprà aiutarmi