Zählen Sie die Anzahl der Wörter in einer PDF-Datei

Wie kann ich die Wortzahl einer PDF-Datei ermitteln? Ich denke, dass die meisten PDF-Dateien, für die ich die Gesamtwortzahl erhalten möchte, eine eingebettete Textebene haben, sodass ich keine OCR benötige.

Die Aufgabe ergab sich aus der Suche nach wissenschaftlichen Arbeiten bekannter Größe, z. B. 15000 Wörtern. Die meisten Moders Papers werden im PDF-Format veröffentlicht

Schnelle Antwort:

pdftotext myfile.pdf - | wc -w

Lange Antwort:

Unter Unix können Sie Folgendes verwenden pdftotext:

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

und dann machen Sie die Wortzählung in der generierten Datei. Unter Unix können Sie Folgendes verwenden:

wc -w converted-pdf.txt

um die Wortzahl zu bekommen.

Sehen Sie sich auch den Kommentar von frabjous an - im Grunde können Sie dies in einem Schritt tun, indem Sie stdoutstattdessen an eine temporäre Datei leiten :

pdftotext myfile.pdf - | wc -w

Dies ist eine schwierige Aufgabe, die nicht einfach zu lösen ist. Wenn Sie wirklich ein genaues Ergebnis wünschen, kopieren Sie Absatz für Absatz für Ihren PDF-Viewer in eine Textdatei und überprüfen Sie diese mit dem wc -wTool. Der Grund, warum man pdftotextin diesem Fall nicht verwendet , ist: Mathematische Formeln können auch in die Ausgabe gelangen und als "Wörter" betrachtet werden. (Alternativ können Sie die Ausgabe bearbeiten, von der Sie erhalten pdftotext). Ein weiterer Grund, warum dies fehlschlagen kann, sind die Überschriften: "4.3.2 Foo Bar" wird als drei Wörter gezählt.

Ein Ausweg besteht darin, nur Wörter zu zählen, die mit einem Buchstaben aus [A-Za-z] beginnen. Normalerweise mache ich einen zweistufigen Ansatz:

1. Holen Sie sich die Liste der eindeutigen Wörter und prüfen Sie, ob zu viele falsche Positive enthalten sind:

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

   Ich verwende hier kein Wörterbuch, da einige Rechtschreibfehler nicht als Wörter gelten.

2. Holen Sie sich diese Wortliste und schreiben Sie sie in die Ausgabe von pdftotext:

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

Ich weiß, dass dies innerhalb eines Einzeilers möglich ist, aber dann konnte ich das Filterergebnis des ersten Schritts nicht leicht erkennen. Das -Fkann dir helfen wie im Kommentar von moi unten angegeben (danke).

Ich habe gerade ein kostenloses Programm, Translator's Abacus, ausprobiert . Sie können verschiedene Dateitypen (einschließlich PDF) ziehen und ablegen. Ein Browser mit einem druckbaren Bericht über die Wortanzahl für jedes Dokument wird geöffnet. Es hat gut funktioniert für mich. (Es ist speziell für die Anzahl der Wörter erstellt und ist nur 435 KB ... das heißt, keine "große Anwendung"). Translator's Abacus funktioniert nicht mit PDF 1.5 oder höher.

Alternativ : Sie können einfach Ctrl+ Aden gesamten Text in Acrobat Reader auswählen und ihn dann in ein Programm wie Microsoft Word kopieren (das in der Statusleiste am unteren Bildschirmrand eine Wortanzahl hat).

Wenn Sie Acrobat Pro verwenden, können Sie die PDF-Datei auf einfache Weise in ein Microsoft Word-Dokument exportieren und anschließend die Wortzählung in Word durchführen. Alternativ können Sie es in eine Nur-Text-Datei exportieren und ein Word Count-Dienstprogramm im Texteditor Ihrer Wahl verwenden. Ich habe gerade eine Wortzählung für einen PDF-Artikel mit der Word-Methode durchgeführt und es dauerte 30 Sekunden, bis er fertig war.

Hoffe das hilft.

Sie können OCRFeeder installieren . Wählen Sie darin Datei-> PDF importieren-> Alle Seiten automatisch erkennen und erkennen-> In ODT exportieren und libreoffice writer-Dokument ist bereit für die Wortzählung oder jede andere RTF-Funktion, die Sie verwenden möchten.

Ich finde den Wortzähler in den Abrakadabra-Werkzeugen praktisch. Die Installation ist allerdings etwas schrullig.

Sie können das JavaScript der Adobe Acrobat-Konsole mit dem folgenden Code verwenden, den ich aus der Antwort von Dave Merchant auf forums.adobe.com entnommen habe :

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

Getestet mit Adobe Acrobat Pro DC 2018.011.20040 unter Windows 7 SP1 x64 Ultimate.

So aktivieren Sie die JavaScript-Konsole:

So starten Sie das JavaScript-Konsolenfenster:

CTRL + J

Zu Ihrer Information, wenn Sie die LaTeX-Quelle haben, die der PDF entspricht: Korrigieren Sie die Wortanzahl eines LaTeX-Dokuments .

De facto Standard, den Übersetzer seit etwa 2000 verwenden, ist AnyCount Word Count Tool. Es zählt Wörter in PDF und 37 anderen Formaten.

Ctrl+ Shift+ FGeben Sie die erweiterte Suche ein. Geben Sie das Wort ein und es wird gezählt, wie oft es im Dokument enthalten ist. Es ist keine Raketenwissenschaft.