如何计算锁定pdf中的特定字数

Question

如何计算锁定的pdf文件中的特定字数？

我在这里谈论的是年度报告。你可以在里面搜索，但是你不能把它复制出来(不管是什么原因，都没有意义)。

我用谷歌搜索了很久，还是没有找到解决方案。

Answer 1

如果您的文件包含文本(而不仅仅是扫描的图像)，并且使用的字体包含从字形到字符的映射信息，那么您应该能够使用任何提供文本提取功能的PDF库从文件中提取文本。

通常通过设置使用权限来禁止复制文本。许多PDF库忽略这些设置，并允许从锁定的PDF中提取文本。

根据库的不同，您可以尝试提取整个文本并自己将其拆分为单词，或者将文本作为单词集合提取(如果库可以为您将文本拆分为单词)。

以下是Docotic.Pdf library的示例代码，它展示了如何构建字典，其中包含有关在PDF文档中找到的单词的信息以及这些单词被使用的次数。

public static Dictionary<string, int> countWords(string file)
{
    Dictionary<string, int> wordCounts = new Dictionary<string, int>();

    using (PdfDocument pdf = new PdfDocument(file))
    {
        foreach (PdfPage page in pdf.Pages)
        {
            PdfCollection<PdfTextData> words = page.GetWords();
            foreach (PdfTextData word in words)
            {
                int count = 0;
                wordCounts.TryGetValue(word.Text, out count);
                wordCounts[word.Text] = count++;
            }
        }
    }
    
    return wordCounts;
}

免责声明:我为Docotic.Pdf的供应商工作。