Узнать, сколько страниц в одном PDF-файле, тривиально. Средство просмотра отображает количество страниц. Узнать, сколько страниц в 50 PDF-файлах в папке или сколько слов содержится во всех них вместе взятых, невозможно. Открытие каждого файла вручную, подсчет количества и суммирование чисел занимает больше времени, чем фактическая работа, для которой были созданы PDF-файлы.
Подсчет файлов вручную — это задача, для выполнения которой были изобретены компьютеры. Однако большинство инструментов PDF не поддерживают подсчет нескольких файлов.
Для подсчета слов и страниц в нескольких файлах PDF Batch требуется либо инструмент, поддерживающий пакетную статистику, либо сценарий, который извлекает информацию из каждого файла и суммирует ее. Инструменты PDF Pages WukongPDF могут помочь со статистикой отдельных файлов, а приведенные ниже методы позволяют агрегировать несколько файлов.
Использование встроенной пакетной статистики в инструментах PDF
Adobe Acrobat Pro не включает функцию пакетной обработки страниц или подсчета слов. Некоторые сторонние инструменты управления PDF-файлами это делают. PDF Architect и Nitro Pro включают модули пакетной обработки, которые могут сообщать о количестве страниц в выбранном наборе файлов. Выходные данные обычно представляют собой файл CSV, в котором перечислено каждое имя файла и количество его страниц, а общее количество указано внизу.
Инструменты PDF на основе браузера обычно не предоставляют статистику по нескольким файлам, поскольку модель запросов без сохранения состояния не сохраняет информацию при загрузке файлов. Каждый файл представляет собой отдельный сеанс. Для агрегирования статистики требуется постоянный сеанс, охватывающий несколько файлов, что чаще встречается в настольных и серверных инструментах.
Использование проводника для оценки количества страниц
Проводник Windows и Finder macOS отображают количество страниц PDF в столбцах метаданных файла. Включите столбец «Страницы» в представлении «Подробности» проводника, и в списке появится количество страниц для каждого PDF-файла. Выберите все файлы, и в строке состояния может отображаться сумма в зависимости от версии и конфигурации операционной системы.
Считывание количества страниц в Проводнике происходит быстро, поскольку он считывает небольшое поле метаданных в каждом PDF-файле, а не открывает весь файл. Для папки с сотнями PDF-файлов количество страниц заполняется за секунды. Однако Проводник не обеспечивает подсчет слов, и его показания количества страниц могут быть неточными для PDF-файлов с нестандартной внутренней структурой, где метаданные не совпадают с фактическим количеством страниц.
Написание слов и подсчета страниц в PDF-файлах
Python с библиотекой PDF, такой как PyPDF2 или pdfplumber, может извлекать количество страниц и слов из каждого PDF-файла в папке и суммировать их. Скрипт открывает каждый PDF-файл, считывает количество страниц из метаданных документа, извлекает текст из каждой страницы, подсчитывает слова и суммирует итоговые значения. Выходные данные представляют собой объединенное количество страниц и слов для всей папки.
Скрипт обрабатывает любое количество файлов. Папка из 500 PDF-файлов обрабатывается за несколько минут, в зависимости от размера файла и скорости извлечения текста. Сценарий дает стабильные результаты, поскольку применяет одну и ту же логику подсчета к каждому файлу. Ручной подсчет приводит к отклонению от усталости и отвлечения внимания. Подсчет по сценарию является повторяемым и проверяемым.
| Метод | Скорость | Точность | Обеспечивает подсчет слов? |
|---|---|---|---|
| Метаданные проводника | Секунды | Умеренный (только метаданные) | Нет |
| Пакетный инструмент PDF | Минуты | Высокий | Некоторые инструменты |
| Python-скрипт | Минуты (зависит от количества файлов) | Высокий (извлекает реальный текст) | Да |
| Ручное открытие и подсчет | Часы | Низкий (усталость) | Да, вручную |
Обработка отсканированных PDF-файлов с помощью подсчета слов
Отсканированные PDF-файлы содержат изображения, а не текст. Подсчет слов на основе извлечения текста возвращает ноль слов для отсканированного документа, поскольку нет текста для извлечения. Чтобы включить отсканированные PDF-файлы в подсчет слов, сначала запустите для них распознавание текста, чтобы создать текстовый слой. Затем скрипт подсчета слов подсчитывает текст OCR. Количество слов OCR является приблизительным, поскольку OCR приводит к ошибкам распознавания.
Для смешанных папок, содержащих как цифровые, так и отсканированные PDF-файлы, сценарий должен сообщать отдельные итоговые значения: слова из цифровых PDF-файлов с собственным текстом и слова из отсканированных PDF-файлов после оптического распознавания символов. Объединение их в одну сумму без различия источников приводит к завышению точности подсчета слов в отсканированном документе и скрывает тот факт, что некоторая часть суммы является оценкой OCR, а не точной.
Экспорт количества слов по разделам или главам
Помимо общего количества слов, извлечение количества слов по разделам в каждом PDF-файле предоставляет подробные данные для редактирования, перевода или выставления счетов. Сценарий, который использует закладки PDF или обнаружение заголовков для сегментации текста и подсчета слов в сегменте, создает подробный отчет. В каждой строке вывода отображается имя файла, имя раздела и количество слов в этом разделе.
Подсчеты на уровне разделов полезны для переводческих проектов, в которых разные разделы назначаются разным переводчикам. Менеджер проекта использует подсчеты для равномерного распределения работы и оценки времени завершения. То же самое касается поддержки выставления счетов за раздел, где цены варьируются в зависимости от сложности контента. Общее количество слов говорит о размере проекта. Подсчет слов на уровне раздела подскажет вам, как его разделить.
Использование счетчика для выставления счетов и оценки
Фрилансеры и агентства, выставляющие счета по страницам или по словам, используют пакетный подсчет для выставления счетов. Сценарий, который создает CSV-файл с именами файлов, количеством страниц и слов, предоставляет отчет, готовый к выставлению счетов. Клиент может проверить счетчики самостоятельно. Отчет поддерживает счет-фактуру с данными.
Оценка проекта также выигрывает от подсчета партий. Проект перевода с оплатой за слово требует точного количества исходных слов во всех документах. Для проекта печати с ценой за страницу необходимо общее количество страниц. Выполнение подсчета перед расценкой гарантирует, что расценки основаны на фактических объемах документов, а не на оценках. Время, потраченное на подсчеты, окупается точными ценами.