Contare parole e caratteri in un PDF in Python

Mi è capitato di dover fare delle analisi su vari PDF, e per farlo ho scelto Python (per diverse ragioni).

In questo articolo vediamo come leggere un PDF e contare parole e caratteri.

Per leggere il PDF useremo PyPDF2, che possiamo installare con pip:

pip install PyPDF2

Qui sotto un esempio di codice:

import PyPDF2

def extract_text():
    try:
        with open('merged.pdf', 'rb') as file:
            reader = PyPDF2.PdfReader(file)
            text = ''
            for page in range(len(reader.pages)):
                text += reader.pages[page].extract_text()
            return text
    except FileNotFoundError:
        print(f"Il file non esiste.")
        return ''

def count_words(text):
    words = text.split()
    return len(words)

def count_characters(text,):
    text = text.replace('\n', '')
    return len(text)

if __name__ == "__main__":
    text = extract_text()

    if text:
        word_count = count_words(text)
        character_count_without_newlines = count_characters(text)

        print(f"Totale parole: {word_count}")
        print(f"Total caratteri senza newlins: {character_count_without_newlines}")

Abbiamo fatto in modo da escludere gli "a capo" in quanto non mi interessavano per l'analisi.

Ovviamente potete esercitarvi per modificare la funzione ed eventualmente calcolare anche quelli.

Enjoy!