Différences

Ci-dessous, les différences entre deux révisions de la page.

--- ressource:logiciel:manipulation_pdf:start [2026/05/13 15:52]
emoc [Extraire toutes les images d'un pdf]
+++ ressource:logiciel:manipulation_pdf:start [2026/05/13 17:08] (Version actuelle)
emoc [Extraire tous les mots d'un pdf]
@@ Ligne 129: / Ligne 129: @@
 ==== Extraire tous les mots d'un pdf ====
-Compter les occurences de chaque mot après avoir élimine les mots de moins de 3 lettres
++ Compter les occurences de chaque mot après avoir éliminé les mots de moins de 3 lettres
-<code bash>
+''sudo apt install poppler-utils''
+<code bash frequence-mots.sh>
 pdftotext "$1" - \
-  | tr -cs '[:alpha:]' '\n' \
+  | perl -CS -ne 'while (/(\p{L}+(?:-\p{L}+)*)/g) { print lc($1), "\n"; }' \
-  | tr '[:upper:]' '[:lower:]' \
   | awk 'length($0) >= 3' \
   | sort \
   | uniq -c \
   | sort -nr
+</code>
+Usage : ''frequence-mots.sh fichier.pdf > liste_mots.txt'' \\
+**Détails** : \\
+''perl -CS -ne'' : CS pour travailelr en unicode (lettres accentuées, etc.), n pour traiter ligne par ligne, e pour fournir le code perl directement sur la ligne de commande \\
+''while (/(\p{L}+(?:-\p{L}+)*)/g) { print lc($1), "\n"; }'' : code perl qui se répète tant que l'expression régulière trouve des mots (les mots composés avec tiret sont considérés comme un seul mot), $1 contient le mot trouvé, lc($1) le transforme en minuscule \\
+''awk 'length($0) >= 3''' : seuls les mots de plus de 3 lettres sont conservés \\
+''sort'' : tri par ordre alphabétique \\
+''uniq -c'' : regroupe les mots identiques sur la même ligne, préfixé par le nombre d'occurences \\
+''sort -nr'' : tri numérique des lignes en ordre décroissant
+Utile pour réordonner le fichier par ordre alphabétique et insensible à la casse :
+<code bash>
+LC_ALL=fr_FR.UTF-8 sort -f -o lexique.txt lexique.txt
 </code>