Sacar las palabras que mas se repiten en un texto

[juansemaster]

Tengo un texto largo y necesito sacar las palabras que mas se repiten y ordenarlas de mayor a menor relevancia.

por ejemplo solo 12 palabras, pero a la vez tengo que omitir los articulos (el, la, lo, los, la, las, un, una, uno, unos), proposiciones, etc.

Alguna idea?

[sonystar_17]

bueno yo lo de sacar las palabras comunes que se repiten ya lo había echo hace unos días , para un trabajo, lo hice así :

Código PHP:

$cadena  = "el  la  lo  los  la  las un el una  uno  unos";
$palabras_comunes = array("la", "el");
 
$nueva_cadena = str_replace($palabras_comunes, "", $cadena);
echo $nueva_cadena;
echo "<hr>";
 

lo otro diría que es así :

Código PHP:

$palabras = str_word_count($cadena, 1);
$se_repite = array_count_values($words);
 
arsort($se_repite);
print_r($se_repite);
 

suerte! igual deberías haber intentado hacerlo por ti mismo. D: <

[juansemaster]

Gracias tengo uno pero me dan muchos problemas algunos caracteres... por cierto me olvide como sacar los parentesis. signos, corchetes, barras, etc.

Y solo tomar en cuenta palabras igual o mayores a 5 caracteres

[alvaro_trewhela]

Talvez esto:

Código PHP:

$texto = "texto aquí";
$bannedWords = array("el", "la", "lo", "los", "la", "las", "un", "el", "una", "un", "unos");
$largo = 5;
 
$t = explode(" ", strtolower(preg_replace("[^A-Za-zñÑáéíóúÁÉÍÓÚ' ']", "", $texto)));
$r = array();   
for($k=0;$k<sizeof($t);$k++){
$w = $t[$k];
    if(!in_array($w, $bannedWords) && strlen($w)>=$largo){
        if(array_key_exists($w,$r)){
        $n = intval($r[$w]);
        $r[$w] = ++$n; 
        }
        else{
        $r[$w] = 1;
        }   
    }
}
arsort($r);
$repit=$r;
 

Ahora $repit es un arreglo asociado, en donde las llaves sno las palabras y su valor cuantas veces se repiten y esta ordenado desendiente.

Variables:
$texto, El texto.
$bannedWords: Palabras que quieras que no cuenten
$largo: Tomar en cuenta solo palabras igual o más largas que a esta variable

Debería andar bien

P.S: la expresión regular que puse es una mie... no se de exp. reg.

EDITE!!

[juansemaster]

@alvaro_trewhela

Funciona bastante bien pero todavía hay errores, la forma que seleccionas las palabras hay problemas en cada linea (salto de linea) se fusiona la ultima palabra de una linea y con la primera palabra de la linea siguiente. ejemplo "solluna" en ves de tomar "sol" y "luna" por separado. Otro problemas son los acentos en ves de tomar "rincón" sale como "rincoacuten"

[alvaro_trewhela]

Lo de los saltos de líne se arreglan con la expresion regular

"[^A-Za-zñÑáéíóúÁÉÍÓÚ]\s"

y para los problemas de acento html_entity_decode

entonces esta linea:

Código PHP:

$t = explode(" ", strtolower(preg_replace("[^A-Za-zñÑáéíóúÁÉÍÓÚ' ']", "", $texto)));
 

debería ser así:

Código PHP:

$t = explode(" ", strtolower(html_entity_decode(str_replace("\r\n", " ", preg_replace("[^A-Za-zñÑáéíóúÁÉÍÓÚ' ']", "", $texto)))));
 

Creo que con eso se arregla

[kip13]

Hola, prueba con esta función:

Código PHP:

function countLetters($text, $num_return = FALSE, $num_chars = 0, $not_read = array()) {
    preg_match_all('/\b[A-Za-záéíóúÁÉÍÓÚñ]+\b/', $text, $words);
    if (!is_array($not_read)) {
        $not_read = explode(' ', $not_read);
    }
    $words_count = array_count_values(array_filter(array_map('strtolower', $words[0]), function($val) use ($num_chars, $not_read) {
          if (!function_exists('mb_strlen')) {
            return strlen(utf8_decode($val)) >= $num_chars && !in_array($val, $not_read);
          }
          return mb_strlen($val) >= $num_chars && !in_array($val, $not_read);
    }));
    arsort($words_count);
    if ($num_return !== FALSE) return array_slice($words_count, 0, $num_return);
    return $words_count;
}
 

Para usarla debes hacerlo de esta forma, por ejemplo:

Código PHP:

$texto = "-Me tomaron y me encerraron solo en lo más alto de Orthanc, en el sitio
donde Saruman acostumbraba mirar las estrellas. No hay otro modo de
descender que por una estrecha escalera de muchos miles de escalones y
parece que el valle estuviera muy lejos allá abajo. Lo miré y vi que la hierba y
la hermosura de otro tiempo habían desaparecido y que ahora había allí pozos
y fraguas. Lobos y orcos habitaban en Isengard, pues Saruman estaba
alistando una gran fuerza y emulando a Sauron, aún no a su servicio. Sobre
todas aquellas fraguas flotaba un humo oscuro que se apretaba contra los
flancos de Orthanc. Yo estaba solo en una isla rodeada de nubes; no tenía
ninguna posibilidad de escapar y mis días eran de amargura. Me sentía
traspasado de frío y tenía poco espacio para moverme y me pasaba las horas
cavilando sobre la llegada de los Jinetes del Norte.";
 
print_r(countLetters($texto));
 

De aquella forma vas a tener un array del conteo de todas las palabras del texto sin ningun tipo de filtro ordenadas de mayor a menor, algo asi:

Código PHP:

Array
(
    [y] => 11
    [de] => 11
    [que] => 5
    [me] => 4
    [en] => 4
    [no] => 3
    [la] => 3
    [una] => 3
    [los] => 2
    [a] => 2
    [otro] => 2
    [fraguas] => 2
    [all] => 2
    [las] => 2...........................
 

La funcion recibe tres filtros que son:

Código PHP:

countLetters(Texto o cadena, Limite de palabras a obtener, Numero de letras que deben superar cada palabra, Cadena o array de las subcadenas que no desees mostrar en el resultado)
 

Ejemplo:

Código PHP:

print_r(countLetters($texto, 1, 0));
//resultado
Array
(
    [y] => 11
)
 

Código PHP:

print_r(countLetters($texto, 1, 0, 'y'));
//resultado
Array
(
    [de] => 11
)
 

Código PHP:

print_r(countLetters($texto, 3, 5));
//resultado
Array
(
    [tenía] => 2
    [orthanc] => 2
    [estaba] => 2
)
 

Espero sea lo que buscas.