☰

计算 PDF 文件中的字数

tag-icon • tag-icon pdf word-count
计算 PDF 文件中的字数

如何获取 PDF 文件的字数？我认为大多数我想要获取总字数的 pdf 文件都嵌入了文本层，因此我不需要 OCR。

该任务源于搜索一些已知大小的科学论文，例如 15000 字。大多数现代论文都以 pdf 格式发表

答案1

快速回答：

pdftotext myfile.pdf - | wc -w

长答案：

如果在 Unix 上，你可以使用pdftotext：

然后在生成的文件中进行字数统计。如果在 Unix 上，您可以使用：

wc -w converted-pdf.txt

获得字数。

另外，请参阅 frabjous 的评论 - 基本上，您可以通过管道传输到stdout临时文件来一步完成此操作：

pdftotext myfile.pdf - | wc -w

答案2

这是一项艰巨的任务，不容易解决。如果您真的想要一个准确的结果，请将 PDF 查看器中的段落逐段复制到文本文件中，然后使用该wc -w工具进行检查。在这种情况下不使用的原因pdftotext是：数学公式也可能进入输出并被视为“单词”。 （或者，您可以编辑从 获得的输出pdftotext）。 另一个可能失败的原因是标题：“4.3.2 Foo Bar”被算作三个单词。

解决方法是只计算以 [A-Za-z] 中的字符开头的单词。因此，我通常会采取两步方法：

  1. 获取唯一单词列表并检查其中是否有太多误报：

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

    我在这里不使用字典，因为有些拼写错误不算作单词。

  2. 获取此单词列表并在 pdftotext 的输出中对其进行 grep：

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

我知道这可以在一行内完成，但我无法轻松地看到第一步的过滤结果。这-F可能会对你有所帮助，正如评论所述我以下（感谢）。

答案3

我刚刚尝试了一个免费程序，翻译的算盘。您可以拖放各种文件类型（包括 PDF），然后它会弹出一个浏览器，其中包含每个文档的可打印字数报告。对我来说，它工作得很好。（它是专门为字数统计而创建的，只有 435 KB……也就是说，不是一个“大应用程序”）。Translator's Abacus 不适用于 PDF 1.5 或更高版本。

或者：您只需Ctrl+A选择 Acrobat Reader 中的所有文本，然后将其复制粘贴到 Microsoft Word 等程序中（在屏幕底部的状态栏上显示字数统计）。

答案4

如果您使用 Acrobat Pro，一种简单的方法是将 PDF 导出到 Microsoft Word 文档，然后在 Word 中进行字数统计。或者，您可以将其导出到纯文本文件，然后在您选择的文本编辑器中使用字数统计实用程序。我刚刚使用 Word 方法对 pdf 文章进行了字数统计，花了整整 30 秒才完成。

希望这可以帮助。

相关内容