problemas con substr_count

[forecast]

Hola amig@s;

Necesito hacer una aplicación que busque palabras en determinada web.

Lo he hecho (a grosso modo) así:

Código PHP:

  //abró una web como si fuera un archivo y guardo todo su contenido, en función de la web $datafile puede contener bastante información.
$dataFile=fopen($web,"r")//$web contiene la web a analizar
 
if($dataFile )
{
   $buffer="";
   while (!feof($dataFile)) 
   {
    $buffer.=fread($dataFile, 1024);
   }
   fclose($dataFile);
}
 
//vector con las palabras a buscar, estos vectores pueden ser de al menos 30  palabras
$palabra[]="palabra1";
$palabra[]="palabra2":
$palabra[]="palabra3";
 
foreach($palabra as $index)
{
   $total+=substr_count($buffer,$index);
}    
echo $total; 
   

El problema que tengo con todo esto es que el resultado no se ajusta muy bien a lo que existe, es decir, hay palabras que existen en la web y que no soy capaz de detectar. No se si la función substr_count es adecuada para lo que hago, o si tiene limitaciones (busco las palabras tanto en mayúsculas y minísculas, se que lo tiene en cuenta).

A ver si alguién me dice como afinar un poco más a la hora de buscar estas palabras.

Gracias de antemano.

[Panino5001]

substr_count distingue mayúsculas de minúsculas. Si querés encontrar todas, tendrías que pasar el texto a mayúsculas con strtoupper (o minúsculas con strtolower) y hacer lo mismo con las palabras antes de ejecutar substr_count

[forecast]

Ya se que substr_count distingue entre mayúsculas y minúsculas. Lo que hago es en el vector palabras incluir la misma palabra en minísculas y mayúsculas y con la primera en mayúsculas.

De todos modos sigue sin contarme palabras que están en la web, tal y como yo las tengo en el vector palabras.

Más ayuda por favor.

[nosoynadie]

Hola forecast,

Ya se que substr_count distingue entre mayúsculas y minúsculas. Lo que hago es en el vector palabras incluir la misma palabra en minísculas y mayúsculas y con la primera en mayúsculas.

perdona si lo siguiente es una chorrada pero ¿por qué haces esto? ¿No te vale con tenerlas todas en minúsculas/mayúsculas y convertir el texto que leas de la web a ese mismo tipo de letra?

Aquí va otra pregunta quizás chorra, ¿tienes en cuenta lo que dice la ayuda de la función substr_count() sobre el hecho de que no cuenta las cadenas que se solapan? Mira el ejemplo que dan los de php.net

Código PHP:

  // el resultado es solo 1, ya que no se tienen en cuenta las subcadenas que se solapan
$text2 = 'gcdgcdgcd';
echo substr_count($text2, 'gcdgcd'); 
   

[forecast]

Me he documentado bien sobre la función. Se que no cuenta las cadenas que se solapan...

Sobre lo de buscar la palabra en mayúsculas, minúsculas... tal vez sea una chorrada, pensaba que eso llevaría menos proceso que pasar todo el texto (que en algunos puede ser mucho) a minúsculas, además me interesa conservar el código fuente de la página (lo que guardo en $buffer) intacto.
Probaré a crear otra variable que almacene todo el código
en minúsculas a ver que tal responde.

Creo que a lo mejor el fallo va más en que lo que abro es una web, es decir es código html y no se como esto afecta a que haya palabras que no detecta... la verdad es que no se que pasa.

[nosoynadie]

¿cuando dices que hay palabras que no detecta a qué te refieres? ¿puedes poner un ejemplo?

En relación a lo que dices de que es un código HTML lo que recoges, fácilmente se te/nos estan pasando los caracteres especiales (todo lo referente a acentos, ñ, signos matemáticos, símbolos -como el euro-).

¿Puede venir por ahí la discrepancia?

[forecast]

Bueno. Hice lo que me comentabais y pase primero todo el texto a minúsculas. Todo funcionó mucho mejor.