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 на 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 stdoutвместо этого 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 Ctrl+ Aвыделить весь текст в Acrobat Reader, а затем скопировать и вставить его в программу, подобную Microsoft Word (у которой есть счетчик слов в строке состояния внизу экрана).
This is a hard task not not easy to solve. If you really want an exact result, copy paragraph by paragraph for your PDF viewer into a text file and check it with the wc -w tool. The reason why not to use pdftotext in that case is: mathematical formulas may get also into the output and regarded as "words". (Alternatively you could edit the output you get from pdftotext). Another reason why this may fail are the headings: "4.3.2 Foo Bar" is counted as three words.
A way around is only to count words starting with a char out of [A-Za-z]. So what I usally do is a two step approach:
get the list of uniq words and check if there are too much false positives inside:
pdftotext foo.pdf - | tr " " "\n" | sort | uniq | grep "^[A-Za-z]" > words
I don't use a dictionary here, as some spelling errors would not count as words.
Get this word list and grep it within the output of pdftotext:
pdftotext foo.pdf - | tr " " "\n" | grep -Ff words | wc -l
I know this could be done within a one liner, but then I could not easily see the filter result from the first step. The -F may help you as stated by the comment of moi below (thanks).
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 простой 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.
Я считаю удобным счетчик слов, включенный в инструменты абракадабры . Установка немного странная, хотя.
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.
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 .