计算PDF文件中的单词数

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

该任务是通过搜索一些已知大小（例如15000字）的科学论文而产生的。大多数现代论文以pdf格式出版

快速回答：

pdftotext myfile.pdf - | wc -w

长答案：

如果在Unix上，则可以使用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，则可以使用：

wc -w converted-pdf.txt

得到字数。

另外，请参见frabjous的注释-基本上，您可以通过管道传递stdout到一个临时文件来一步完成此操作：

pdftotext myfile.pdf - | wc -w

这是一项艰巨的任务，并非易事。如果您确实想要准确的结果，请逐段将PDF查看器复制到文本文件中，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）。标题失败的另一个原因是：标题“ 4.3.2 Foo Bar”被视为三个单词。

一种解决方法是只计算[A-Za-z]中以char开头的单词。所以我通常要做的是两步方法：

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，因为某些拼写错误不会算作单词。

2. 获取此单词列表并将其grep到pdftotext的输出中：

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

我知道可以在一个衬套中完成此操作，但随后我不容易看到第一步的过滤结果。如下面Moi-F的评论所述，这可能会对您有所帮助（谢谢）。

我刚刚试用了一个免费程序，即Translator's Abacus。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。对我来说很好。（它是专门为字数创建的，只有435 KB ...，而不是“大型应用程序”）。译者的算盘不适用于PDF 1.5或更高版本。

或者：您可以只用Ctrl+ A来选择Acrobat Reader中的所有文本，然后将其复制粘贴到Microsoft Word之类的程序中（该程序在屏幕底部的状态栏上具有单词计数）。

如果使用Acrobat Pro，这样做的直接方法是将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。我只是使用Word方法对pdf文章进行了字数统计，整个过程花费了30秒。

希望这可以帮助。

您可以安装OCRFeeder。在其中，选择文件->导入PDF->自动检测并识别所有页面->导出到ODT，libreoffice writer文档将准备进行字数统计或您要使用的任何其他RTF功能。

我发现abracadabra工具中包含的单词计数器很方便。虽然安装有点古怪。

您可以将Adobe Acrobat的控制台JavaScript与以下代码配合使用，该代码是我从forum.adobe.com上Dave Merchant的回答中摘录的：

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

已在Windows 7 SP1 x64 Ultimate上使用Adobe Acrobat Pro DC 2018.011.20040测试。

要启用JavaScript控制台，请执行以下操作：

要启动JavaScript控制台窗口：

CTRL + J

仅供参考，如果您有与PDF相对应的LaTeX源：正确LaTeX文档的字数统计。

译者自2000年左右开始使用的事实上的标准是AnyCount字数统计工具，它以PDF和37种其他格式进行字数统计。

Ctrl+ Shift+ F输入高级搜索，键入该单词，它将计算它在文档中的次数。这不是火箭科学。