创建PDF的内容

Question

我需要创建PDF的内容。

Answer 1

您可以使用collections.Counter跟踪字数。我将使用正则表达式来捕获页面上的所有单词，将每个单词添加到计数器，然后转到下一页。您可以为每个单词同时保留查找索引，然后过滤常用单词（counter[word] > threshold），或者可以再次运行文档，仅构建常用单词的索引。

a）这将会有点慢 b）你必须处理像'a'，''，'和'等单词，以确保这些不被计数。

Answer 2

如果你所有的文本都是Python中的字符串（我假设你是因为你的相关文章而做的），那么你可以使用Python的Natural Language Toolkit。你可以下载它from here。

实施例：

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 

有关的基础知识的更多信息检查出Book的Chapter 1。

Answer 3

1. 使用pdftotext（随xpdf）转储PDF文件到一个文本文件。您可以使用subprocess.call通过Python脚本来调用它。

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

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

3. 见this question。