计算 PDF 文件中的字数

Question

如何获取 PDF 文件的字数？我认为我想要获得总字数的大多数 pdf 文件都嵌入了文本层，所以我不需要 OCR。

该任务来自于搜索一些已知大小的科学论文，例如 15000 字。大多数现代论文以pdf格式发表

Answer 1

快速回答：

pdftotext myfile.pdf - | wc -w

长答案：

如果在 Unix 上，您可以使用pdftotext：

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

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

得到字数。

另外，请参阅 frabjous 的评论 - 基本上，您可以通过管道stdout代替临时文件一步完成：

pdftotext myfile.pdf - | wc -w

Answer 2

这是一项艰巨的任务，不容易解决。如果您真的想要一个确切的结果，请将 PDF 查看器的逐段复制到文本文件中，然后使用该wc -w工具进行检查。pdftotext在这种情况下不使用的原因是：数学公式也可能进入输出并被视为“单词”。（或者，您可以编辑从中获得的输出pdftotext）。这可能失败的另一个原因是标题：“4.3.2 Foo Bar”被计为三个词。

一种解决方法是仅计算 [A-Za-z] 中以字符开头的单词。所以我通常做的是两步法：

1. 获取 uniq 单词列表并检查内部是否有太多误报：

   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会算作单词。

2. 获取这个单词列表并在 pdftotext 的输出中 grep 它：

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

我知道这可以在一个衬里内完成，但是我无法轻易看到第一步的过滤结果。-F正如下面moi的评论所述，这可能会帮助您（谢谢）。

Answer 3

我刚刚试用了一个免费程序，翻译算盘。您可以拖放各种文件类型（包括 PDF），它会弹出一个浏览器，其中包含每个文档的字数统计报告。它对我来说很好。（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。

另外：你可以Ctrl+A选择在Acrobat Reader中的所有文本，然后将其复制粘贴到Microsoft Word等（这在屏幕的底部有状态栏上字数统计）的程序。