Порахуйте кількість слів у PDF-файлі

Як я можу отримати кількість слів у форматі PDF? Я думаю, що в більшість PDF-файлів, для яких я хочу отримати загальний підрахунок слів, є вбудований текстовий шар, тому мені не потрібно OCR.

Завдання виникло завдяки пошуку деяких наукових праць відомого розміру, наприклад, 15000 слів. Більшість статей-модернів публікуються у форматі PDF

Швидкий відповідь:

pdftotext myfile.pdf - | wc -w

Довга відповідь:

Якщо в Unix, ви можете використовувати pdftotext:

• http://linux.about.com/od/commands/l/blcmdl1_pdftote.htm

а потім зробіть підрахунок слів у створеному файлі. Якщо в Unix, ви можете використовувати:

wc -w converted-pdf.txt

щоб отримати кількість рахунків.

Також дивіться коментар frabjous - в основному, ви можете це зробити за один крок, перейшовши на stdoutзамість цього до тимчасового файлу:

pdftotext myfile.pdf - | wc -w

Це важке завдання, яке нелегко вирішити. Якщо ви дійсно хочете точного результату, скопіюйте абзац за пунктом для перегляду PDF у текстовий файл і перевірте його за допомогою wc -wінструменту. Причина, чому не використовувати pdftotextв цьому випадку, полягає в тому, що математичні формули можуть потрапляти також у вихідний і розглядатися як "слова". (Або ви можете редагувати отриманий результат pdftotext). Іншою причиною, чому це може бути невдалою, є заголовки: "4.3.2 Foo Bar" зараховується до трьох слів.

Шлях навколо - це лише підрахунок слів, які починаються із знака [A-Za-z]. Тож, що я зазвичай роблю, це підхід у два кроки:

1. отримайте список слів uniq і перевірте, чи всередині є занадто багато помилкових позитивів:

   pdftotext foo.pdf - | tr " " "\n" | sort | uniq | grep "^[A-Za-z]" > words

   Я не використовую тут словник, оскільки деякі орфографічні помилки не вважатимуться словами.

2. Отримайте цей перелік слів і скопіюйте його у висновку pdftotext:

   pdftotext foo.pdf - | tr " " "\n" | grep -Ff words | wc -l

Я знаю, що це можна зробити в одному вкладиші, але тоді я не міг легко побачити результат фільтра з першого кроку. Можливо, -Fвам допоможе, як зазначено в коментарі moi нижче (спасибі).

Я щойно спробував безкоштовну програму, Abacus перекладача . Ви можете перетягувати різні типи файлів (включаючи PDF), і він відкриває веб-переглядач із звітом для друку про кількість слів для кожного документа. Це добре працювало для мене. (Він спеціально створений для підрахунку слів і становить лише 435 Кб ... тобто не є "великим додатком"). Abacus перекладача не працює у форматі PDF 1.5 або пізнішої версії.

Крім того, ви можете просто Ctrl+ Aвибрати весь текст у програмі Acrobat Reader, а потім скопіювати його та вставити в програму типу Microsoft Word (у нижній частині екрана є кількість слів у рядку стану).

Простий спосіб зробити це, якщо ви використовуєте Acrobat Pro - це експортувати PDF в документ Microsoft Word, а потім робити кількість слів у Word. Ви також можете експортувати його у звичайний текстовий файл і використовувати утиліту для підрахунку слів у текстовому редакторі на ваш вибір /. Я щойно зробив підрахунок слів на PDF-статті за допомогою методу Word, і на це пішло всі 30 секунд.

Сподіваюся, це допомагає.

Ви можете встановити OCRFeeder . У ньому виберіть « Файл»> «Імпортувати PDF»> «Автоматично виявити та розпізнати всі сторінки-> Експорт у ODT та документ, який пише лібріофіс, буде готовий до кількості слів або будь-якої іншої функції RTF, яку ви хочете використовувати.

Я вважаю, що лічильник слів, включений до інструментів абракадабра, є зручним. Однак установка трохи химерна.

Ви можете використовувати JavaScript консолі Adobe Acrobat із таким кодом, який я взяв з відповіді Дейва Мерчанта на forums.adobe.com :

var cnt=0;
for (var p = 0; p < this.numPages; p++) cnt += getPageNumWords(p);
console.println("There are " + cnt + " words in this file.");

Тестований з Adobe Acrobat Pro DC 2018.011.20040 на Windows 7 SP1 x64 Ultimate.

Щоб увімкнути консоль JavaScript:

Щоб запустити вікно консолі JavaScript:

CTRL + J

FYI, якщо у вас є джерело LaTeX, що відповідає PDF: Правильний підрахунок слів документа LaTeX .

Фактично стандартом, який використовуються перекладачі з 2000 року, є AnyCount Word Count Tool. Він рахує кількість слів у PDF та 37 інших форматах.

Ctrl+ Shift+ Fвведіть розширений пошук введіть слово, і воно буде рахувати, скільки разів воно знаходиться в документі. Це не ракетна наука.