Come contare le parole di un PDF
- Aggiungi il PDF. Tocca Scegli PDF o trascina il file sulla pagina. I file protetti da password la chiedono prima.
- Aspetta il passaggio pagina per pagina. Lo strumento legge a turno il livello di testo e gli operatori di disegno di ogni pagina. Una barra di avanzamento mostra la pagina in corso; un rapporto di 300 pagine richiede pochi secondi.
- Leggi i totali e il verdetto. Cinque riquadri mostrano pagine, parole, caratteri, caratteri senza spazi e immagini. Sotto, il verdetto dice se il file ha un livello di testo, sembra scansionato o è composto soprattutto da immagini.
- Controlla le singole pagine. La tabella per pagina mostra gli stessi conteggi per ogni pagina; le pagine senza testo sono in grigio. Nei file oltre le 30 pagine la tabella parte chiusa.
Cosa fa
- Totali e una tabella per pagina: parole, caratteri, caratteri senza spazi, immagini
- Conteggio delle parole compatibile con Unicode: funziona con testo accentato, cirillico, greco, CJK e thailandese, non solo con l'inglese
- Ti dice se il PDF ha un livello di testo o sembra scansionato, e in quel caso rimanda allo strumento OCR
- Conta le immagini incorporate e inline per pagina, così vedi quali pagine sono foto
- Apre i PDF protetti da password se la conosci
- Funziona interamente sul tuo dispositivo: l'unica richiesta di rete scarica la libreria open source PDF.js
Cosa significano i conteggi?
Un PDF non è un file di videoscrittura. Contiene istruzioni di disegno (metti questo glifo qui, quell'immagine là) e, se è stato creato da un documento digitale, un livello di testo che dice ai lettori quali caratteri sono quei glifi. Questo strumento legge quel livello di testo con PDF.js, ricostruisce le righe dalle posizioni degli elementi di testo e conta ciò che trova. Scorre anche l'elenco degli operatori di ogni pagina per contare le operazioni di disegno di immagini: è così che distingue una pagina scritta da una scansionata.
| Conteggio | Cosa misura | Cosa non include |
|---|---|---|
| Pagine | Le pagine dell'albero delle pagine, come le mostrerebbe un lettore | Pagine nascoste o eliminate ancora presenti come oggetti inutilizzati |
| Parole | Segmenti simili a parole del livello di testo, trovati con il segmentatore Unicode del browser; i numeri contano, la punteggiatura no | Testo dentro le immagini, valori dei campi modulo, commenti, segnalibri |
| Caratteri | Punti di codice Unicode nel testo ricostruito, spazi e interruzioni di riga compresi | Glifi invisibili o a larghezza zero che il lettore non mostra mai |
| Caratteri senza spazi | Lo stesso, meno ogni carattere di spaziatura: la cifra usata da molti preventivi di traduzione e impaginazione | — |
| Immagini | Operazioni di disegno di immagini: immagini incorporate, immagini inline, maschere immagine | Disegni vettoriali, pattern di sfumatura, testo disegnato come contorni |
Quante parole ci sono in una pagina?
Non c'è una risposta fissa, dipende da dimensione del font, margini e interlinea, ma gli intervalli qui sotto sono le consuete regole empiriche per una pagina Letter o A4 e ti aiutano a verificare se un risultato è plausibile. La riga della scansione è quella importante: una pagina scansionata non ha livello di testo, quindi conta zero parole per quanto ci sia stampato sopra.
| Tipo di pagina | Parole tipiche | Caratteri tipici | Immagini | Cosa dice lo strumento |
|---|---|---|---|---|
| Lettera commerciale, 11–12 pt, interlinea singola | circa 300–500 | circa 2.000–3.000 | 0–1 (logo) | Ha un livello di testo |
| Pagina di manoscritto o saggio a interlinea doppia | circa 250–300 | circa 1.500–2.000 | 0 | Ha un livello di testo |
| Pagina di contratto densa, 9–10 pt, margini stretti | circa 600–900 | circa 4.000–6.000 | 0 | Ha un livello di testo |
| Pagina di una presentazione | circa 20–80 | circa 150–600 | 1–5 | Ha un livello di testo (o soprattutto immagini) |
| Pagina scansionata senza OCR | 0 | 0 | 1 (a volte di più se lo scanner la divide in riquadri) | Sembra scansionata: usa lo strumento OCR |
| Pagina scansionata con livello OCR | come il testo stampato, meno gli errori di riconoscimento | come stampato | 1 | Ha un livello di testo |
Quando è utile?
- I preventivi di traduzione e revisione si calcolano a parola o per 1.000 caratteri senza spazi; ti serve la cifra prima di chiedere un prezzo.
- I limiti di consegna (domande di finanziamento, atti giudiziari, articoli accademici) sono spesso espressi in parole o pagine.
- Prima dell'OCR: un modo veloce per sapere se un lotto di PDF è già ricercabile, e quali pagine non lo sono.
- Prima di inviare per email: un file con centinaia di immagini per pagina è una scansione e sarà pesante; guarda lo strumento Comprimi PDF.
Se ti servono le parole stesse e non un conteggio, lo strumento PDF in testo le estrae in un file .txt con la stessa ricostruzione delle righe.
Quali sono i limiti?
- Conta solo il livello di testo. Una scansione senza OCR conta zero; una scansione con un livello OCR scadente conta gli errori dell'OCR.
- La ricostruzione delle righe è geometrica. Le impaginazioni a più colonne vengono lette colonna per colonna quando le colonne sono ben separate, ma tabelle e testo che scorre intorno alle immagini possono mescolarsi: il conteggio delle parole cambia poco, ma una parola al confine può essere divisa o unita.
- Campi modulo, annotazioni, commenti e segnalibri non fanno parte del testo della pagina e non vengono contati.
- I file protetti da password richiedono la password. I file che PDF.js non riesce ad analizzare falliscono con un messaggio.
- I file molto grandi vengono elaborati pagina per pagina e le risorse di ogni pagina vengono liberate prima della successiva, ma una scansione di 1.000 pagine richiede comunque un po' di tempo su un telefono.