.doc in .pdf v string

Morda ti to kaj pomaga:
http://davidwalsh.name/read-pdf-doc-fil...

Nekaj zelo pribliznega lahko naredis tako:

<?php
	$handle = fopen("test.doc", "rb");
	$word = 0;
	while (!feof($handle)) {
		$ch = fread($handle, 1);
		if ($ch == ' ') {
			$word++;
		}
	}
	echo $word;	
?>

Testiral sem samo za doc, ki ga izvozi OOo. Ce odstejes 10, dobis pravilno stevilo besed. Ce bi zelel bolj natancno steti, bi pa moral malo prebrati dokumentacijo za doc.

Um. Sicer se nikoli nisem ukvarjal z branjem Word datotek, ampak ... glede na to, da ...

a) ne gre za plain text, in
b) gre za binarni zapis ...

... bo natančnost takšne metode nekje na nivoju file_size / average_word_length * 0,8. Pa še to zgolj za zelo velike datoteke :).

S pomočjo COMa probaj..

En primer: http://drewd.com/2007/01/25/reading-fro...

in si omejen na windows ...

Za PDF bo težko.

Spodaj je prekopiran odgovor z enega od dopisnih seznamov, kjer je nekaj porabnikov prosilo za implementacijo števca besed za TeX-ove PDF dokumente (upam, da ni narobe, ker je v angleščini); samo nekaj točk v razmislek. Pri PDF dokumentih si kar predstavljam, da ti bodo ljudje nalagali skenirane dokumente ali prospekte z besedilom v binarni sliki ali s pisavo, pretvorjeno v krivulje, in bo cena popolnoma napačna (ampak če gre za oceno, je v redu).

Teče strežnik na windowsih ali na linuxu? Za windows se dobi ena navadna exe datoteka pdftotext, ki jo lahko enostavno skopiraš tja, kjer so ostale skripte. Ni potrebna nobena posebna inštalacija. Za linux je mogoče narediti isto, vendar je potrebno "pravilno prevesti" izvorno kodo programa pdftotext. Obstajajo seveda tudi druge knjižnice za branje PDF-jev, vendar je pdftotext morda najbolj "enostavna & hitra" rešitev, lahko pa pogledaš ostale knjižnice, če te bodo PDF-ji še zanimali.


Counting words in the resulting PDF probably works a bit better, but even then:
- there are page numbers as well as headers & footers
- there are section numbers
- there are footnote numbers
- there are math formulas (how many words are
\sqrt{a+b+\sin\alpha=\hbox{something}}?), formula numbers and
fractions that get split into multiple numbers in PDF
- there are tables with numbers, numbers are sometimes separated with dot, sometimes with commas (almost impossible to guess whether comma is thousand/decimal separator or separator between numbers)
- you can create graphic and place some labels on the figure; whether those labels will count or not will depend on the tool that you use for figures (precompiled or not); worse - you can probably even include tables as existing PDF figures
- there are hyphenated words and words like \alpha-helix, \gamma-rays
- there are accented letters that PDF viewers are not able to handle properly
- this must be a bug in apple library, but when I copy-paste text from PDF I get both accents lost and words are being split before letter j into two

If you need just informative word count, anything can do (copy from pdf and paste into word or "wc" in command line), but if you need to write an article with exactly some number of words or if you need to charge a client for translation of text that's X words long ... those statistics can be highly misleading and I would not rely on them.

Za štetje besed v PDF dokumentu uporabi brezplačne knjižnice:
PDFBox-0.7.2.dll
IKVM.GNU.Classpathkatere dodaš kot referenco.

Knjižnico:
IKVM.Runtime.dll
pa samo skopiraš v mapo bin.

Sam postopek je sledeči:
PDDocument doc = PDDocument.load(@"C:\pdf.pdf");
PDFTextStripper strip = new PDFTextStripper();
int wordCount = strip.getText(doc).Split(Convert.ToChar(strip.getWordSeparator())).Length;

Postopek vrne natančno število besed v PDF dokumentu.
Če kaj ni jasno vprašaj.

hvala, ampak nevem kako bo z namestitvijo knjižnice. načeloma pri webhostingu ne gre dodajat knjižnic.

PHP ali ASP.NET?