Sådan tæller du ordene i en PDF
- Tilføj PDF'en. Tryk på Vælg PDF eller slip filen på siden. Adgangskodebeskyttede filer beder om adgangskoden først.
- Vent på gennemgangen side for side. Værktøjet læser hver sides tekstlag og tegneoperatorer efter tur. En statuslinje viser, hvilken side det er nået til; en rapport på 300 sider tager et par sekunder.
- Læs totalerne og vurderingen. Fem felter viser sider, ord, tegn, tegn uden mellemrum og billeder. Under dem fortæller vurderingen, om filen har et tekstlag, ligner en scanning eller mest består af billeder.
- Tjek enkelte sider. Tabellen pr. side viser de samme tal for hver side; sider uden tekst er nedtonede. Filer på over 30 sider starter med tabellen foldet sammen.
Hvad det gør
- Totaler og en tabel pr. side: ord, tegn, tegn uden mellemrum, billeder
- Unicode-bevidst ordtælling — virker til tekst med accenter, kyrillisk, græsk, CJK og thai, ikke kun engelsk
- Fortæller dig, om PDF'en har et tekstlag eller ligner en scanning, og linker til OCR-værktøjet, når den gør
- Tæller indlejrede og inline-billeder pr. side, så du kan se, hvilke sider der er billeder
- Åbner adgangskodebeskyttede PDF'er, når du kender adgangskoden
- Kører helt på din enhed — den eneste netværksanmodning henter open source-biblioteket PDF.js
Hvad betyder tallene?
En PDF er ikke en tekstbehandlingsfil. Den gemmer tegneinstruktioner — placer denne glyf her, det billede dér — og, hvis den blev lavet ud fra et digitalt dokument, et tekstlag, der fortæller visningsprogrammer, hvilke tegn glyferne er. Dette værktøj læser det tekstlag med PDF.js, genopbygger linjerne ud fra tekstelementernes positioner og tæller, hvad det finder. Det gennemgår også hver sides operatorliste for at tælle billedtegnende operationer, og det er sådan, det kan skelne en skrevet side fra en scannet.
| Tal | Hvad det måler | Hvad det ikke medtager |
|---|---|---|
| Sider | Sider i sidetræet, som et visningsprogram ville vise dem | Skjulte eller slettede sider, der stadig findes som ubrugte objekter |
| Ord | Ordlignende segmenter i tekstlaget, fundet med browserens Unicode-segmentering; tal tæller, tegnsætning gør ikke | Tekst inde i billeder, værdier i formularfelter, kommentarer, bogmærker |
| Tegn | Unicode-kodepunkter i den genopbyggede tekst, inklusive mellemrum og linjeskift | Usynlige glyffer eller glyffer uden bredde, som visningsprogrammet aldrig viser |
| Tegn uden mellemrum | Det samme, minus hvert blanktegn — tallet, som mange oversættelses- og sætningstilbud bruger | — |
| Billeder | Billedtegnende operationer: indlejrede billeder, inline-billeder, billedmasker | Vektortegninger, skyggemønstre, tekst tegnet som konturer |
Hvor mange ord er en side?
Der findes intet fast svar — det afhænger af skriftstørrelse, margener og linjeafstand — men intervallerne nedenfor er de sædvanlige tommelfingerregler for en Letter- eller A4-side, og de hjælper dig med at tjekke, om et resultat er rimeligt. Rækken med scanning er den vigtige: en scannet side har intet tekstlag, så den tæller nul ord, uanset hvor meget der er trykt på den.
| Type af side | Typisk antal ord | Typisk antal tegn | Billeder | Hvad værktøjet siger |
|---|---|---|---|---|
| Forretningsbrev, 11–12 pt, enkelt linjeafstand | cirka 300–500 | cirka 2.000–3.000 | 0–1 (logo) | Har et tekstlag |
| Manuskript- eller opgaveside med dobbelt linjeafstand | cirka 250–300 | cirka 1.500–2.000 | 0 | Har et tekstlag |
| Tæt kontraktside, 9–10 pt, smalle margener | cirka 600–900 | cirka 4.000–6.000 | 0 | Har et tekstlag |
| Side i en præsentation | cirka 20–80 | cirka 150–600 | 1–5 | Har et tekstlag (eller mest billeder) |
| Scannet side uden OCR | 0 | 0 | 1 (nogle gange flere, hvis scanneren deler op i felter) | Ligner en scanning — brug OCR-værktøjet |
| Scannet side med OCR-lag | som den trykte tekst, minus genkendelsesfejl | som trykt | 1 | Har et tekstlag |
Hvornår er det nyttigt?
- Oversættelses- og redigeringstilbud prissættes pr. ord eller pr. 1.000 tegn uden mellemrum; du skal bruge tallet, før du beder om en pris.
- Grænser for indsendelse — ansøgninger om tilskud, indlæg til retten, akademiske opgaver — angives ofte i ord eller sider.
- Før OCR: en hurtig måde at finde ud af, om en bunke PDF'er allerede er søgbare, og hvilke sider der ikke er.
- Før du sender en e-mail: en fil med hundredvis af billeder pr. side er en scanning og vil være stor; se værktøjet Komprimer PDF.
Hvis du har brug for selve ordene i stedet for et antal, udtrækker værktøjet PDF til tekst dem til en .txt-fil med samme linjegenopbygning.
Hvad er begrænsningerne?
- Det tæller kun tekstlaget. En scanning uden OCR tæller nul; en scanning med et dårligt OCR-lag tæller OCR'ens fejl.
- Linjegenopbygningen er geometrisk. Layouts med flere spalter læses spalte for spalte, når spalterne er tydeligt adskilt, men tabeller og tekst, der ombrydes omkring billeder, kan flettes sammen, hvilket ikke ændrer ordantallet meget, men kan dele eller samle et ord ved grænsen.
- Formularfelter, annotationer, kommentarer og bogmærker er ikke en del af sideteksten og tælles ikke.
- Adgangskodebeskyttede filer kræver adgangskoden. Filer, som PDF.js ikke kan fortolke, fejler med en besked.
- Meget store filer behandles side for side, og sidens ressourcer frigives før den næste, men en scanning på 1.000 sider tager stadig et stykke tid på en telefon.