Как узнать количество слов в файле PDF? Я думаю, что большинство файлов PDF, для которых я хочу получить общее количество слов, имеют встроенный текстовый слой, поэтому мне не нужно распознавание текста.
Задача возникла в результате поиска некоторых научных работ известного размера, например, 15000 слов. Большинство работ модеров публикуются в формате PDF
Быстрый ответ:
pdftotext myfile.pdf - | wc -w
Длинный ответ:
Если в Unix, вы можете использовать pdftotext:
а затем выполните подсчет слов в сгенерированном файле. Если на Unix, вы можете использовать:
wc -w converted-pdf.txt
чтобы получить количество слов.
Кроме того, смотрите комментарий от frabjous - в основном, вы можете сделать это за один шаг, отправив вместо stdout временный файл:
pdftotext myfile.pdf - | wc -w
Я только что попробовал бесплатную программу, Abacus Переводчика. Вы можете перетаскивать файлы различных типов (в том числе PDF), и в нем появляется браузер с распечатанным отчетом о количестве слов для каждого документа. Это работало нормально для меня. (Он специально создан для подсчета слов и занимает всего 435 КБ ... то есть не "большое приложение"). Abacus переводчика не работает на PDF 1.5 или более поздней версии.
В качестве альтернативы: вы можете просто нажать Ctrl+A, чтобы выделить весь текст в Acrobat Reader, а затем скопировать и вставить его в программу, подобную Microsoft Word (с количеством слов в строке состояния в нижней части экрана).
Это сложная задача, которую нелегко решить. Если вы действительно хотите получить точный результат, скопируйте абзац для вашего средства просмотра PDF в текстовый файл и проверьте его с помощью инструмента wc -w . Причина, по которой не следует использовать pdftotext в этом случае, заключается в следующем: математические формулы могут также попадать в вывод и рассматриваться как "слова". (Или вы можете отредактировать вывод, полученный из pdftotext). Другой причиной, по которой это может не сработать, являются заголовки: «4.3.2 Foo Bar» считается тремя словами.
Обходной путь - только считать слова, начинающиеся с символа из [A-Za-z]. Итак, что я обычно делаю, это двухэтапный подход:
получить список уникальных слов и проверить, не слишком ли много ложных срабатываний внутри:
pdftotext foo.pdf - | tr " " "\n" | sort | uniq | grep "^[A-Za-z]" > words
Я не использую здесь словарь, так как некоторые орфографические ошибки не считаются словами.
Получить этот список слов и grep его в выводе pdftotext:
pdftotext foo.pdf - | tr " " "\n" | grep -Ff words | wc -l
Я знаю, что это может быть сделано в пределах одной строки, но тогда я не мог легко увидеть результат фильтрации с первого шага. -F может помочь вам, как указано в комментарии моего ниже (спасибо).
Простой способ сделать это, если вы используете Acrobat Pro, - экспортировать PDF в документ Microsoft Word, а затем выполнить подсчет слов в Word. Кроме того, вы можете экспортировать его в текстовый файл и использовать утилиту подсчета слов в текстовом редакторе по вашему выбору /. Я только что подсчитал количество слов в PDF-статье, используя метод Word, и все заняло все 30 секунд.
Надеюсь это поможет.
Вы можете установить OCRFeeder. В нем выберите Файл-> Импорт PDF-> Автоматически обнаружить и распознать все страницы-> Экспорт в ODT, и документ писателя libreoffice будет готов для подсчета слов или любой другой функции RTF, которую вы захотите использовать.
Стандарт де-факто, который переводчики используют примерно с 2000 года, - это инструмент подсчета слов AnyCount. Он рассчитывает количество слов в PDF и 37 других форматах.
Я считаю удобным счетчик слов, включенный в инструменты абракадабры . Установка немного странная, хотя.
Вы можете использовать консоль JavaScript Adobe Acrobat со следующим кодом, который я взял из ответа 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.");
Протестировано с Adobe Acrobat Pro DC 2018.011.20040 на Windows 7 SP1 x64 Ultimate.
Чтобы включить консоль JavaScript:
Чтобы запустить окно консоли JavaScript:
CTRL + J
К вашему сведению, если у вас есть источник LaTeX, соответствующий PDF: правильное количество слов документа LaTeX.
Ctrl+Shift+F введите расширенный поиск, введите слово, и оно будет подсчитывать, сколько раз оно находится в документе. Это не ракетостроение.