如何计算给定PDF中给定单词的数量？

Question

面试问题

我在面试中被问到这个问题,答案不一定是特定的编程语言,平台或工具特定的.

问题的措辞如下:

您如何获得PDF中给定单词的实例计数.答案不一定是编程,平台或工具特定.只是让我知道你将如何在内存和速度有效的方式做到这一点

我发布此问题的原因如下:

1. 为了更好地理解上下文 - 我仍然无法理解这个问题的背景,面试官可能会通过提出这个问题来寻找什么？
2. 为了得到不同的意见 - 我倾向于根据我的编程语言技能(C#)回答这些问题,但可能还有其他有效的选择来完成这项工作.

谢谢你的关注.

Answer 1

如果我必须编写一个程序来做到这一点，我会找到一个能够从 PDF 文件（例如Xpdf ）中提取文本的 PDF 渲染库，然后计算单词数。如果这是一项单一任务或需要自动化执行非生产质量任务的任务，我只需将文件输入 pdftotext 程序，然后使用 python 解析输出文件，拆分为单词，将它们放入字典并计算出现次数。

如果我问这个面试问题，我会寻找以下几点：

1. 了解此任务设置之间的差异：一次性脚本与生产代码
2. 不尝试自己实现 PDF 渲染，而是尝试寻找库。

现在，我不希望任何没有 PDF 经验的随机候选人会这样做，但您可以就什么是 PDF 以及什么是“单词”进行非常有意义的讨论。您会看到，PDF 将文本存储为一堆带有坐标的字符串。每个字符串不一定是一个单词。很多时候，单词会被分成几个完全独立的字符串，这些字符串绝对定位在文档中以形成单个单词。这就是为什么有时在 PDF 文档中搜索单词时您会得到奇怪的结果。因此，要在文档中实现单词搜索，您必须将这些字符串重新粘合在一起（pdftotext 会为您处理这个问题）。

这根本不是一个坏问题。