PDFの単語数・文字数を数える方法
- PDFを追加する. 「PDFを選択」をタップするか、ファイルをページにドロップします。パスワード付きのファイルは、先にパスワードを求められます。
- ページごとの読み取りを待つ. ツールは各ページのテキストレイヤーと描画命令を順番に読みます。進行バーに現在のページが表示され、300ページの報告書でも数秒で終わります。
- 合計と判定を読む. 5つのタイルにページ数、単語数、文字数、スペースを除く文字数、画像数が表示されます。その下の判定で、ファイルにテキストレイヤーがあるか、スキャンのように見えるか、ほとんどが画像かがわかります。
- 個々のページを確認する. ページごとの表には、すべてのページについて同じ数値が並びます。文字のないページはグレー表示です。30ページを超えるファイルでは、表は最初折りたたまれています。
できること
- 合計とページごとの表：単語数、文字数、スペースを除く文字数、画像数
- Unicode対応の単語カウント — 英語だけでなく、アクセント付き文字、キリル文字、ギリシャ文字、日中韓の文字、タイ語にも対応
- PDFにテキストレイヤーがあるか、スキャンのように見えるかを判定し、該当する場合はOCRツールへのリンクを表示
- ページごとに埋め込み画像とインライン画像を数えるので、どのページが画像なのかがわかる
- パスワードがわかっていれば、パスワード付きPDFも開ける
- すべて端末内で完結 — 通信が発生するのは、オープンソースのPDF.jsライブラリを取得するときだけ
数値の意味
PDFはワープロのファイルではありません。保存されているのは描画命令（このグリフをここに、あの画像をそこに置く）と、デジタル文書から作られた場合には、それらのグリフがどの文字なのかをビューアーに伝えるテキストレイヤーです。このツールはPDF.jsでそのテキストレイヤーを読み、テキスト項目の位置から行を組み立て直し、見つかったものを数えます。また、各ページの命令リストをたどって画像描画操作を数えるので、入力されたページとスキャンされたページを区別できます。
| 数値 | 何を測るか | 含まれないもの |
|---|---|---|
| ページ | ページツリー内のページ。ビューアーが表示するとおり | 未使用オブジェクトとして残っている非表示または削除済みのページ |
| 単語 | ブラウザのUnicode分割機能で見つけたテキストレイヤーの単語らしい区切り。数字は数え、句読点は数えない | 画像内の文字、フォーム欄の値、コメント、しおり |
| 文字 | 組み立て直した文字列のUnicodeコードポイント。スペースと改行を含む | ビューアーが表示しない不可視またはゼロ幅のグリフ |
| スペースを除く文字 | 上と同じで、空白文字をすべて除いたもの。翻訳や組版の見積もりでよく使われる数値 | — |
| 画像 | 画像描画操作：埋め込み画像、インライン画像、画像マスク | ベクター図形、シェーディングパターン、アウトライン化された文字 |
1ページは何単語か
決まった答えはありません。フォントサイズ、余白、行間によって変わります。ただ、以下の範囲はLetterまたはA4のページでよく使われる目安で、結果が妥当かどうかの確認に役立ちます。重要なのはスキャンの行です。スキャンしたページにはテキストレイヤーがないため、どれだけ印刷されていても単語数は0になります。
| ページの種類 | 典型的な単語数 | 典型的な文字数 | 画像 | ツールの判定 |
|---|---|---|---|---|
| ビジネスレター、11〜12 pt、シングルスペース | およそ300〜500 | およそ2,000〜3,000 | 0〜1（ロゴ） | テキストレイヤーあり |
| ダブルスペースの原稿やエッセイのページ | およそ250〜300 | およそ1,500〜2,000 | 0 | テキストレイヤーあり |
| 文字が密な契約書のページ、9〜10 pt、狭い余白 | およそ600〜900 | およそ4,000〜6,000 | 0 | テキストレイヤーあり |
| スライド資料のページ | およそ20〜80 | およそ150〜600 | 1〜5 | テキストレイヤーあり（またはほとんど画像） |
| OCRなしのスキャンページ | 0 | 0 | 1（スキャナーが分割する場合はそれ以上） | スキャンのように見える — OCRツールを使ってください |
| OCRレイヤー付きのスキャンページ | 印刷された文字どおり、認識ミスを除く | 印刷どおり | 1 | テキストレイヤーあり |
どんなときに役立つか
- 翻訳や編集の見積もりは、単語単位またはスペースを除く1,000文字単位で価格が決まります。見積もりを頼む前に数値が必要です。
- 提出の上限（助成金の申請、裁判所への提出書類、学術論文）は、単語数やページ数で定められていることがよくあります。
- OCRの前に：PDFの束がすでに検索可能かどうか、どのページがそうでないかをすばやく知る方法です。
- メールで送る前に：ページごとに何百もの画像があるファイルはスキャンであり、大きくなります。PDF圧縮ツールをご覧ください。
数ではなく文字そのものが必要なら、PDF テキスト変換ツールが同じ行の再構成で.txtファイルに抽出します。
制限事項
- 数えるのはテキストレイヤーだけです。OCRなしのスキャンは0になり、OCRレイヤーの質が悪いスキャンはOCRの間違いを数えます。
- 行の再構成は幾何学的です。段がきれいに分かれている多段組みは段ごとに読めますが、表や画像の回り込みでは文字が入り交じることがあります。単語数はあまり変わりませんが、境界で単語が分かれたりつながったりすることがあります。
- フォーム欄、注釈、コメント、しおりはページの文字ではないため、数えません。
- パスワード付きのファイルにはパスワードが必要です。PDF.jsが解析できないファイルはメッセージとともに失敗します。
- 非常に大きなファイルはページごとに処理され、次に進む前にそのページのリソースは解放されますが、1,000ページのスキャンはスマートフォンではやはり時間がかかります。