如何从上传的文件 PDF、Doc、Xls、Csv 等中计算单词字符或句子答案

【问题标题】：How to count words characters or sentence from uploaded file PDF, Doc, Xls, Csv, etc etc如何从上传的文件 PDF、Doc、Xls、Csv 等中计算单词字符或句子
【发布时间】：2010-12-30 14:38:25
【问题描述】：

如何从上传的 PDF、Doc、Xls、Csv 等文件中计算字数。使用 PHP、Zend 框架或基于 CLI 的 Java 触发器？

【问题讨论】：

csv 很简单。所以你想要工具来逆向工程 pdf、doc、xls...？
以编程方式解析 PDF 并非易事。最好使用 3rd 方 pdf 阅读器，即使在字序方面也有问题，但如果你只需要字数统计，它们非常有效。 PDF 的布局类似于拼贴画。线没有严格的定义。对你来说看起来像一条完美的直线，在几何上可能是一团糟。
$wc filename.pdf 或任何给出这个> 46 265 13025 file.odt
@pouncep，是的，在 linux 中我有这个，但这是来自终端示例的错误计数器：$ wc filename.pdf or filename.doc or filename.csv or filename.xls
@P.Brian.Mackey: 0.o 哪一个对 ZF 和 Java 友好？没有开源框架或库吗？

标签： java php zend-framework

【解决方案1】：

这是一个第三方应用程序http://www.globalrendering.com/download.html。您可以为它创建一个简单的包装器。就 wc 而言，它对于这些文件类型并不准确。见http://ubuntuforums.org/showthread.php?t=566407

【讨论】：

谢谢，糟糕，它是 Windows 平台的安装。 CentOS 或 Fedora 什么都没有？
是的，确实如此，wc 对于其他文件格式并不准确。在 Linux 平台下用于计算单词等似乎非常复杂的部分，用于实时或交互式解决方案开发。
嗯，对于 PDF 部分，您可以将其另存为文本并对普通文本文件进行字数统计。有一个脚本blog.yeticode.co.uk/2009/03/get-pdf-word-count-in-linux。同样，对于 word，不确定它在 excel 上的效果如何。
我有 11 个（字）它显示 10，这是我们可以达到的最大猜测吗？例如：gist.github.com/759888

【解决方案2】：

首先，你应该看看tika 它是用 Java 编写的，是免费的（Apache 许可），可以将您提到的所有格式转换为文本。在那之后，字数应该是微不足道的。

您还可以使用 linux 命令行实用程序来转换为文本，并围绕它们编写一个简单的包装器。

（由于缺乏声誉，我无法链接到这些。使用您的 Google-fu。）

pdf：pdftotext（xpdf 的一部分）。另请参阅关于 SuperUser 的问题 #221359。
doc(x): abiword, catdoc, antiword, docxtotxt ... 另请参阅 SuperUser 上的问题 165978。
xls（几乎所有内容，但需要 OpenOffice）：unoconv

【讨论】：