Question

this topic中的回答帮助我理解为什么有时我的 PDF无法找到一个单词以及为什么我在使用时会不断获得不同的字数不同的PDF字数统计程序。我决定使用xpdf。我把它转换成了文字并添加了-layout标记，然后使用Word 2003打开生成的文本文件。我注意到了计数这个词。不幸的是，我决定删除-layout标签。但这一次，字数不同。

为什么该标签会影响字数？有没有一种准确的方法来查找单词计数一个PDF文件？我甚至会付这样的软件，如果我不得不支付给我正确的单词数。

（我检查了another topic，但我想我会发现我刚刚提供的解决方案是否可以解决所有问题。还有另一个主题建议使用advancedpdf。）

Answer 1

我想说没有可靠的字数统计。例如，可以让你的生活更加艰难，将这个可爱的Stackoverflow答案的每个角色放入一个文本对象中并定位这样的对象，这样只有在渲染时才会为人类提供有意义的段落。像这样：

<html><body><style>
div {float: left;}
</style><div><p>S</p></div><div><p>t</p></div><div><p>a</p></div>
<div><p>c</p></div><div><p>k</p></div>

Answer 2

我建议使用Java的开源解决方案。首先，您必须解析pdf文件并使用Tika提取所有文本。

然后我相信你可以通过扫描提取的文本并计算单词来实现这一点。

示例代码如下所示：

 if (f.getName().endsWith(".txt")) 
        {
            in = new BufferedReader(new FileReader(f));
            StringBuilder sb = new StringBuilder();
            String s = null;
            while ((s = in.readLine()) != null) 
                sb.append(s);

            String[] tokenizedTerms = sb.toString().replaceAll("[\\W&&[^\\s]]", "").split("\\W+");   //to get individual terms

        }

在tokenizedTerms数组中，您将获得文档的所有术语（单词），您可以通过调用tokenizedTerms.length（）来计算它们。希望这很有用。： - ）

获取PDF文件的正确字数

2 个答案: