Policz liczbę słów w pliku PDF

Jak mogę uzyskać liczbę słów w pliku PDF? Myślę, że większość plików pdf, dla których chcę uzyskać całkowitą liczbę słów, ma osadzoną warstwę tekstową, więc nie potrzebuję OCR.

Zadanie powstało w wyniku wyszukiwania niektórych prac naukowych o znanej wielkości, np. 15 000 słów. Większość artykułów modyfikujących publikuje się w formacie pdf

Szybka odpowiedź:

pdftotext myfile.pdf - | wc -w

Długa odpowiedź:

Jeśli na Uniksie, możesz użyć pdftotext:

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

a następnie zlicz liczbę słów w wygenerowanym pliku. Jeśli na Uniksie, możesz użyć:

wc -w converted-pdf.txt

uzyskać liczbę słów.

Zobacz też komentarz frabjousa - w zasadzie możesz to zrobić w jednym kroku, stdoutprzesyłając do pliku tymczasowego:

pdftotext myfile.pdf - | wc -w

To trudne zadanie, niełatwe do rozwiązania. Jeśli naprawdę chcesz uzyskać dokładny wynik, skopiuj akapit po akapicie dla przeglądarki PDF do pliku tekstowego i sprawdź to za pomocą wc -wnarzędzia. Powodem, dla którego nie należy używać pdftotextw takim przypadku jest: formuły matematyczne mogą również dostać się do wyniku i traktowane jako „słowa”. (Alternatywnie możesz edytować dane wyjściowe, które otrzymujesz pdftotext). Innym powodem, dla którego może się to nie powieść, są nagłówki: „4.3.2 Foo Bar” jest liczony jako trzy słowa.

Rozwiązaniem jest liczenie słów zaczynających się od znaku z [A-Za-z]. Więc zwykle robię to w dwóch krokach:

1. pobierz listę słów uniq i sprawdź, czy w środku jest za dużo fałszywych trafień:

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

   Nie używam tutaj słownika, ponieważ niektóre błędy ortograficzne nie byłyby liczone jako słowa.

2. Pobierz tę listę słów i grep ją w wynikach pdftotext:

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

Wiem, że można to zrobić w ramach jednej wkładki, ale wtedy nie mogłem łatwo zobaczyć wyniku filtra z pierwszego kroku. -FMoże pomóc jak stwierdził komentarzem moi poniżej (dzięki).

Właśnie wypróbowałem bezpłatny program, Abacus Translatora . Możesz przeciągać i upuszczać różne typy plików (w tym PDF), a to wyskakuje w przeglądarce z drukowanym raportem liczby słów dla każdego dokumentu. Dla mnie działało dobrze. (Jest specjalnie stworzony do liczenia słów i ma tylko 435 KB ... to nie jest „duża aplikacja”). Abacus Tłumacza nie działa w wersji PDF 1.5 lub nowszej.

Alternatywnie : możesz po prostu Ctrl+ Azaznaczyć cały tekst w programie Acrobat Reader, a następnie skopiować i wkleić go do programu takiego jak Microsoft Word (który ma liczbę słów na pasku stanu u dołu ekranu).

Prostym sposobem na zrobienie tego, jeśli używasz Acrobat Pro, jest wyeksportowanie pliku PDF do dokumentu Microsoft Word, a następnie zliczenie słów w programie Word. Możesz też wyeksportować go do zwykłego pliku tekstowego i użyć narzędzia do liczenia słów w wybranym edytorze tekstu /. Właśnie policzyłem słowo w artykule pdf przy użyciu metody Word i zajęło mi to 30 sekund.

Mam nadzieję że to pomoże.

Możesz zainstalować OCRFeeder . W nim wybierz Plik-> Importuj PDF-> Automatycznie wykryj i rozpoznaj wszystkie strony-> Eksportuj do ODT, a dokument piszący libreoffice będzie gotowy na zliczanie słów lub dowolną inną funkcję RTF, której chcesz użyć.

Uważam, że słowo „licznik” zawarte w narzędziach abrakadabry jest wygodne. Instalacja jest jednak nieco dziwna.

Możesz użyć kodu JavaScript konsoli Adobe Acrobat z następującym kodem, który wziąłem z odpowiedzi Dave'a Merchanta na 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.");

Testowane z Adobe Acrobat Pro DC 2018.011.20040 na Windows 7 SP1 x64 Ultimate.

Aby włączyć konsolę JavaScript:

Aby uruchomić okno konsoli JavaScript:

CTRL + J

Do Twojej wiadomości, jeśli masz źródło LaTeX odpowiadające plikowi PDF: Prawidłowa liczba słów w dokumencie LaTeX .

Standardem używanym przez tłumaczy od około 2000 roku jest AnyCount Word Count Tool. Zlicza słowa w formacie PDF i 37 innych formatach.

Ctrl+ Shift+ Fwpisz wyszukiwanie zaawansowane, wpisz słowo, a policzy, ile razy znajduje się w dokumencie. To nie jest rakieta.