Conta il numero di parole in un file PDF

Come posso ottenere il conteggio delle parole di un file PDF? Penso che la maggior parte dei file pdf per i quali voglio ottenere il conteggio totale delle parole abbia un livello di testo incorporato, quindi non ho bisogno di OCR.

Il compito è nato dalla ricerca di alcuni articoli scientifici di dimensioni note, ad esempio 15000 parole. La maggior parte degli articoli di moder sono pubblicati in formato pdf

Risposta rapida:

pdftotext myfile.pdf - | wc -w

Risposta lunga:

Se su Unix, puoi usare pdftotext:

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

e quindi fare il conteggio delle parole nel file generato. Se su Unix, puoi usare:

wc -w converted-pdf.txt

per ottenere il conteggio delle parole.

Inoltre, vedi il commento di frabjous: in pratica, puoi farlo in un solo passaggio eseguendo il piping stdoutinvece di un file temporaneo:

pdftotext myfile.pdf - | wc -w

Questo è un compito difficile non facile da risolvere. Se vuoi davvero un risultato esatto, copia paragrafo per paragrafo per il tuo visualizzatore PDF in un file di testo e controllalo con lo wc -wstrumento. Il motivo per cui non usare pdftotextin quel caso è: le formule matematiche possono entrare anche nell'output e considerate "parole". (In alternativa, è possibile modificare l'output da cui si ottiene pdftotext). Un altro motivo per cui questo potrebbe non riuscire sono i titoli: "4.3.2 Foo Bar" è contato come tre parole.

Un modo per aggirare è solo contare le parole che iniziano con un carattere da [A-Za-z]. Quindi quello che faccio di solito è un approccio in due fasi:

1. ottenere l'elenco di parole uniq e verificare se all'interno ci sono troppi falsi positivi:

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

   Non uso un dizionario qui, poiché alcuni errori di ortografia non contano come parole.

2. Ottieni questo elenco di parole e selezionalo all'interno dell'output di pdftotext:

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

So che questo potrebbe essere fatto all'interno di un liner, ma poi non sono riuscito a vedere facilmente il risultato del filtro dal primo passo. La -Fpuò aiutare a come dichiarato dal commento di moi di seguito (grazie).

Ho appena provato un programma gratuito, Translator's Abacus . Puoi trascinare e rilasciare vari tipi di file (incluso PDF) e si apre un browser con un rapporto stampabile del conteggio delle parole per ciascun documento. Ha funzionato bene per me. (È stato creato appositamente per il conteggio delle parole ed è solo 435 KB ... cioè non una "grande applicazione"). Translator's Abacus non funziona su PDF 1.5 o successivo.

In alternativa : puoi solo Ctrl+ Aper selezionare tutto il testo in Acrobat Reader e quindi copiarlo e incollarlo in un programma come Microsoft Word (che ha un conteggio delle parole sulla barra di stato nella parte inferiore dello schermo).

Un modo semplice per farlo se si utilizza Acrobat Pro è esportare il PDF in un documento di Microsoft Word e quindi eseguire il conteggio delle parole in Word. In alternativa, puoi esportarlo in un file di testo semplice e utilizzare un'utilità di conteggio parole nell'editor di testo di tua scelta /. Ho appena fatto un conteggio delle parole su un articolo pdf usando il metodo Word e ci sono voluti 30 secondi per completarlo.

Spero che sia di aiuto.

È possibile installare OCRFeeder . In esso scegli File-> Importa PDF-> Rileva e riconosce automaticamente tutte le pagine-> Esporta in ODT e il documento di libreoffice writer sarà pronto per il conteggio delle parole o qualsiasi altra funzione RTF che vorrai utilizzare.

Trovo conveniente il contatore di parole incluso negli strumenti abracadabra . L'installazione è un po 'bizzarra però.

Puoi utilizzare JavaScript della console di Adobe Acrobat con il seguente codice, che ho preso dalla risposta di Dave Merchant su 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.");

Testato con Adobe Acrobat Pro DC 2018.011.20040 su Windows 7 SP1 x64 Ultimate.

Per abilitare la console JavaScript:

Per avviare la finestra della console JavaScript:

CTRL + J

Cordiali saluti, se si dispone della fonte LaTeX corrispondente al PDF: conteggio delle parole corretto di un documento LaTeX .

Lo standard di fatto, che i traduttori usano da circa 2000 è lo strumento di conteggio parole AnyCount Fa il conteggio delle parole in PDF e altri 37 formati.

Ctrl+ Shift+ Finserisci la ricerca avanzata digita la parola e conterà quante volte è presente nel documento. Non è scienza missilistica.