在 pdf 中查找重复的单词

Question

有没有一种简单的方法可以找到拼写错误，例如：“嗨，我的名字是约翰”，其中“我的”和“是”写了两次？我发现了类似的这里使用grep，但显然您必须在终端中插入要搜索的整个文本。当搜索较大的文本文件时，这可能会非常有限。有没有办法可以搜索整个 pdf 文件？

Answer 1

您可以通过管道输出pdftotext工具命令grep：

pdftotext <pdffile> - |  grep -Eo '(\b.+) \1\b'

---

为了在 PDF 文件中搜索预定的字符串，还有一个工具叫做pdfgrep。但是它不允许像参考示例中那样的复杂正则表达式。