創建PDF的內容

Question

我需要創建PDF的內容。

Answer 1

您可以使用collections.Counter跟蹤字數。我將使用正則表達式來捕獲頁面上的所有單詞，將每個單詞添加到計數器，然後轉到下一頁。您可以爲每個單詞同時保留查找索引，然後過濾常用單詞（counter[word] > threshold），或者可以再次運行文檔，僅構建常用單詞的索引。

a）這將會有點慢 b）你必須處理像'a'，''，'和'等單詞，以確保這些不被計數。

Answer 2

如果你所有的文本都是Python中的字符串（我假設你是因爲你的相關文章而做的），那麼你可以使用Python的Natural Language Toolkit。你可以下載它from here。

實施例：

import nltk, re, pprint 
from nltk import FreqDist 

tokens = nltk.word_tokenize(pdf_text) 
text = nltk.Text(tokens) 
fdist = FreqDist(text) 
vocabulary = fdist.keys() 

print vocabulary[:50] # Print the 50 most common words 

有關的基礎知識的更多信息檢查出Book的Chapter 1。

Answer 3

1. 使用pdftotext（隨xpdf）轉儲PDF文件到一個文本文件。您可以使用subprocess.call通過Python腳本來調用它。

2. 使用collections.Counter.most_common或ntlk找到最常用的詞：

   import collections 
   keywords = collections.Counter(open(<...>).read()).most_common(20) 
   

3. 見this question。