Como posso obter a contagem de palavras de um arquivo PDF? Eu acho que a maioria dos arquivos pdf para os quais eu quero obter uma contagem total de palavras tem uma camada de texto embutida, então eu não preciso de OCR.
A tarefa surgiu da busca de alguns artigos científicos de tamanho conhecido, por exemplo 15000 palavras. A maioria dos trabalhos moders são publicados em formato pdf
Resposta rápida:
pdftotext myfile.pdf - | wc -w
Longa resposta:
Se no Unix, você pode usar pdftotext :
e, em seguida, faça a contagem de palavras no arquivo gerado. Se no Unix, você pode usar:
wc -w converted-pdf.txt
para obter a contagem de palavras.
Além disso, veja o comentário de frabjous - basicamente, você pode fazer isso em uma única etapa canalizando stdout para um arquivo temporário:
pdftotext myfile.pdf - | wc -w
Acabei de experimentar um programa gratuito, o Ábaco do Tradutor . Você pode arrastar e soltar vários tipos de arquivo (incluindo PDF) e ele abre um navegador com um relatório imprimível da contagem de palavras para cada documento. Funcionou bem para mim. (Ele é criado especificamente para contagens de palavras e tem apenas 435 KB ... ou seja, não é uma "grande aplicação"). O Ábaco do Tradutor não funciona no PDF 1.5 ou posterior.
Alternativamente : você pode apenas Ctrl + A selecionar todo o texto no Acrobat Reader e copiá-lo e colá-lo em um programa como o Microsoft Word (que tem uma contagem de palavras na barra de status na parte inferior da tela).
Esta é uma tarefa difícil, não fácil de resolver. Se você realmente quiser um resultado exato, copie parágrafo por parágrafo para o visualizador de PDF em um arquivo de texto e verifique com a ferramenta wc -w . A razão pela qual não usar pdftotext nesse caso é: fórmulas matemáticas também podem ser incluídas na saída e consideradas como "palavras". (Como alternativa, você pode editar a saída obtida de pdftotext ). Outra razão pela qual isso pode falhar são os títulos: "4.3.2 Foo Bar" é contado como três palavras.
Uma maneira de contornar é apenas contar palavras começando com um caractere de [A-Za-z]. Então, o que eu costumo fazer é uma abordagem em duas etapas:
obtenha a lista de palavras uniq e verifique se há muitos falsos positivos dentro dela:
pdftotext foo.pdf - | tr " " "\n" | sort | uniq | grep "^[A-Za-z]" > words
Eu não uso um dicionário aqui, pois alguns erros de ortografia não contam como palavras.
Pegue esta lista de palavras e use-a na saída do pdftotext:
pdftotext foo.pdf - | tr " " "\n" | grep -Ff words | wc -l
Sei que isso pode ser feito em um único liner, mas não consigo ver facilmente o resultado do filtro desde o primeiro passo. O -F pode ajudá-lo como indicado pelo comentário de moi abaixo (obrigado).
Uma maneira simples de fazer isso, se você estiver usando o Acrobat Pro, é exportar o PDF para um documento do Microsoft Word e, em seguida, fazer a contagem de palavras no Word. Como alternativa, você pode exportá-lo para um arquivo de texto simples e usar um utilitário de contagem de palavras no editor de texto de sua escolha /. Acabei de fazer uma contagem de palavras em um artigo em pdf usando o método Word e levou 30 segundos para ser concluído.
Espero que isso ajude.
Você pode instalar o OCRFeeder . Escolha Arquivo- > Importar PDF- > Detectar e reconhecer automaticamente todas as páginas- > Exportar para ODT e o documento do escritor do libreoffice estará pronto para contagem de palavras ou qualquer outra função RTF que você deseje usar.
Acho o contador de palavras incluído nas ferramentas de abracadabra convenientes. A instalação é um pouco peculiar embora.
Padrão de fato, que os tradutores usam desde aproximadamente 2000 é a Ferramenta de Contagem de Palavras do AnyCount Ele conta as palavras em PDF e outros 37 formatos.
Você pode usar o JavaScript do console do Adobe Acrobat com o seguinte código, o que eu tirei da resposta de Dave Merchant no forums.adobe.com :
var cnt=0;
for (var p = 0; p < this.numPages; p++) cnt += getPageNumWords(p);
console.println("There are " + cnt + " words in this file.");
Testado com o Adobe Acrobat Pro DC 2018.011.20040 no Windows 7 SP1 x64 Ultimate.
Para ativar o Console JavaScript:
ParainiciarajaneladoconsoleJavaScript:
CTRL+J
FYI,sevocêtiverafonteLaTeXcorrespondenteaoPDF:
Tags pdf word-count