如何計算鎖定的pdf文件中的特定單詞

Question

如何計算被鎖定的pdf文件中的特定單詞。

我在這裏談論的年度報告。你可以在裏面搜索，但你不能複製它（無論什麼原因，沒有意義）。

永遠谷歌搜索後，我仍然還沒有找到一個解決方案。

Answer 1

如果您的文件包含文本（不只是掃描圖像）和常用的字體包含字形，從字符映射信息，那麼你應該能夠提取使用任何PDF庫，提供文本提取功能的文件文本。文字

複製通常是通過設置使用權限禁止。許多PDF庫忽略這些設置並允許從鎖定的PDF中提取文本。

根據庫，你可以嘗試提取全部文本，並將其拆分成自己的話或提取文本字的集合（如圖書館可以分裂成文本字你）。

這裏是Docotic.Pdf library一個示例代碼，演示瞭如何構建一個包含在PDF文檔中找到的單詞，多少次他們使用的信息字典。

public static Dictionary<string, int> countWords(string file) 
{ 
    Dictionary<string, int> wordCounts = new Dictionary<string, int>(); 

    using (PdfDocument pdf = new PdfDocument(file)) 
    { 
     foreach (PdfPage page in pdf.Pages) 
     { 
      PdfCollection<PdfTextData> words = page.GetWords(); 
      foreach (PdfTextData word in words) 
      { 
       int count = 0; 
       wordCounts.TryGetValue(word.Text, out count); 
       wordCounts[word.Text] = count++; 
      } 
     } 
    } 

    return wordCounts; 
} 

聲明：我爲Docotic.Pdf的供應商工作。