Så räknar du orden i en PDF
- Lägg till PDF:en. Tryck på Välj PDF eller släpp filen på sidan. Lösenordsskyddade filer frågar efter lösenordet först.
- Vänta på genomgången sida för sida. Verktyget läser varje sidas textlager och ritoperatorer i tur och ordning. En förloppsindikator visar vilken sida det är på; en rapport på 300 sidor tar några sekunder.
- Läs totalsummorna och bedömningen. Fem rutor visar sidor, ord, tecken, tecken utan blanksteg och bilder. Under dem säger bedömningen om filen har ett textlager, ser skannad ut eller mest består av bilder.
- Kontrollera enskilda sidor. Tabellen per sida visar samma siffror för varje sida; sidor utan text är gråtonade. Filer på över 30 sidor börjar med tabellen hopfälld.
Vad det gör
- Totalsummor och en tabell per sida: ord, tecken, tecken utan blanksteg, bilder
- Unicode-medveten ordräkning — fungerar för text med accenter, kyrilliska, grekiska, CJK och thai, inte bara engelska
- Talar om ifall PDF:en har ett textlager eller ser skannad ut, och länkar till OCR-verktyget när den gör det
- Räknar inbäddade och inline-bilder per sida, så att du ser vilka sidor som är bilder
- Öppnar lösenordsskyddade PDF:er när du kan lösenordet
- Körs helt på din enhet — den enda nätverksförfrågan hämtar biblioteket PDF.js med öppen källkod
Vad betyder siffrorna?
En PDF är inte en ordbehandlingsfil. Den lagrar ritinstruktioner — placera den här glyfen här, den där bilden där — och, om den skapades från ett digitalt dokument, ett textlager som talar om för visningsprogram vilka tecken glyferna är. Det här verktyget läser det textlagret med PDF.js, bygger upp raderna utifrån textobjektens positioner och räknar vad det hittar. Det går också igenom varje sidas operatorlista för att räkna bildritande operationer, och det är så det kan skilja en skriven sida från en skannad.
| Siffra | Vad den mäter | Vad den inte inkluderar |
|---|---|---|
| Sidor | Sidor i sidträdet, så som ett visningsprogram skulle visa dem | Dolda eller raderade sidor som finns kvar som oanvända objekt |
| Ord | Ordliknande segment i textlagret, hittade med webbläsarens Unicode-segmenterare; siffror räknas, skiljetecken gör det inte | Text inuti bilder, värden i formulärfält, kommentarer, bokmärken |
| Tecken | Unicode-kodpunkter i den uppbyggda texten, inklusive blanksteg och radbrytningar | Osynliga glyfer eller glyfer med nollbredd som visningsprogrammet aldrig visar |
| Tecken utan blanksteg | Samma sak, minus varje blanktecken — siffran som många översättnings- och sättningsofferter använder | — |
| Bilder | Bildritande operationer: inbäddade bilder, inline-bilder, bildmasker | Vektorritningar, skuggningsmönster, text ritad som konturer |
Hur många ord är en sida?
Det finns inget fast svar — det beror på teckenstorlek, marginaler och radavstånd — men intervallen nedan är de vanliga tumreglerna för en Letter- eller A4-sida, och de hjälper dig att rimlighetskontrollera ett resultat. Raden för skanning är den viktiga: en skannad sida har inget textlager, så den räknas som noll ord oavsett hur mycket som är tryckt på den.
| Typ av sida | Typiskt antal ord | Typiskt antal tecken | Bilder | Vad verktyget säger |
|---|---|---|---|---|
| Affärsbrev, 11–12 pt, enkelt radavstånd | ungefär 300–500 | ungefär 2 000–3 000 | 0–1 (logotyp) | Har ett textlager |
| Manus- eller uppsatssida med dubbelt radavstånd | ungefär 250–300 | ungefär 1 500–2 000 | 0 | Har ett textlager |
| Tät kontraktssida, 9–10 pt, smala marginaler | ungefär 600–900 | ungefär 4 000–6 000 | 0 | Har ett textlager |
| Sida i en presentation | ungefär 20–80 | ungefär 150–600 | 1–5 | Har ett textlager (eller mest bilder) |
| Skannad sida utan OCR | 0 | 0 | 1 (ibland fler om skannern delar upp i rutor) | Ser skannad ut — använd OCR-verktyget |
| Skannad sida med OCR-lager | som den tryckta texten, minus igenkänningsfel | som tryckt | 1 | Har ett textlager |
När är det här användbart?
- Översättnings- och redigeringsofferter prissätts per ord eller per 1 000 tecken utan blanksteg; du behöver siffran innan du ber om ett pris.
- Inlämningsgränser — bidragsansökningar, inlagor till domstol, akademiska uppsatser — anges ofta i ord eller sidor.
- Före OCR: ett snabbt sätt att veta om en bunt PDF:er redan är sökbara, och vilka sidor som inte är det.
- Före e-post: en fil med hundratals bilder per sida är en skanning och kommer att vara stor; se verktyget Komprimera PDF.
Om du behöver själva orden snarare än ett antal extraherar verktyget PDF till text dem till en .txt-fil med samma raduppbyggnad.
Vilka är begränsningarna?
- Det räknar bara textlagret. En skanning utan OCR räknas som noll; en skanning med ett dåligt OCR-lager räknar OCR:ens misstag.
- Raduppbyggnaden är geometrisk. Flerspaltiga layouter läses spalt för spalt när spalterna är tydligt åtskilda, men tabeller och text som flödar runt bilder kan flätas samman, vilket inte ändrar ordantalet mycket men kan dela eller slå ihop ett ord vid gränsen.
- Formulärfält, anteckningar, kommentarer och bokmärken är inte en del av sidtexten och räknas inte.
- Lösenordsskyddade filer kräver lösenordet. Filer som PDF.js inte kan tolka misslyckas med ett meddelande.
- Mycket stora filer bearbetas sida för sida och sidans resurser frigörs innan nästa, men en skanning på 1 000 sidor tar ändå en stund på en telefon.