Jak wyszukiwać zawartość wielu plików pdf?

Jak mogę przeszukiwać zawartość plików PDF w katalogu / podkatalogu? Szukam narzędzi wiersza polecenia. Wygląda na to, że grepnie można wyszukiwać plików PDF.

Twoja dystrybucja powinna zapewniać narzędzie o nazwie pdftotext:

find /path -name '*.pdf' -exec sh -c 'pdftotext "{}" - | grep --with-filename --label="{}" --color "your pattern"' \;

„-” jest konieczne, aby mieć wyjście pdftotext na standardowe wyjście, a nie na pliki. --with-filenameI --label=opcje będą umieścić nazwę pliku w wyjściu grep. Opcjonalne--color flaga jest ładna i mówi grepowi, aby wyświetlał za pomocą kolorów na terminalu.

(W Ubuntu pdftotextjest dostarczany przez pakiet xpdf-utilslub poppler-utils.)

Ta metoda, przy użyciu pdftotexti grep, ma tę przewagę, pdfgrepjeśli chcesz używać funkcji GNU, grepktóre pdfgrepnie obsługują. Uwaga : pdfgrep-1.3.x obsługuje -Copcję drukowania linii kontekstu.

Istnieje pdfgrep , który robi dokładnie to, co sugeruje jego nazwa.

pdfgrep -R 'a pattern to search recursively from path' /some/path

Użyłem go do prostych wyszukiwań i działało dobrze.

(Istnieją pakiety w Debianie, Ubuntu i Fedorze.)

Od wersji 1.3.0 pdfgrep obsługuje wyszukiwanie rekurencyjne. Ta wersja jest dostępna w Ubuntu od Ubuntu 12.10 (Quantal).

Recoll to fantastyczna pełnotekstowa aplikacja do wyszukiwania GUI dla systemów Unix / Linux, która obsługuje dziesiątki różnych formatów, w tym PDF. Może nawet przekazać dokładny numer strony i wyszukiwane hasło do przeglądarki dokumentów, a tym samym umożliwia przejście do wyniku bezpośrednio z GUI.

Recoll jest również wyposażony w realistyczny interfejs wiersza poleceń i interfejs przeglądarki internetowej .

Moja aktualna wersja pdfgrep (1.3.0) umożliwia:

pdfgrep -HiR 'pattern' /path

Podczas wykonywania pdfgrep --help:

• H: Wydrukuj nazwę pliku dla każdego dopasowania.
• i: Ignoruj ​​rozróżnienie wielkości liter.
• R: Rekurencyjnie przeszukuj katalogi.

Działa dobrze na moim Ubuntu.

Zrobiłem ten niszczycielski mały skrypt. Baw się dobrze.

function pdfsearch()
{
    find . -iname '*.pdf' | while read filename
    do
        #echo -e "\033[34;1m// === PDF Document:\033[33;1m $filename\033[0m"
        pdftotext -q -enc ASCII7 "$filename" "$filename."; grep -s -H --color=always -i $1 "$filename."
        # remove it!  rm -f "$filename."
    done
}

Lubię odpowiedź @ sjr, jednak wolę xargs vs -exec. Uważam, że xargs jest bardziej uniwersalny. Na przykład z -P możemy wykorzystać wiele procesorów, gdy ma to sens.

find . -name '*.pdf' | xargs -P 5 -I % pdftotext % - | grep --with-filename --label="{}" --color "pattern"

Miałem ten sam problem i dlatego napisałem skrypt, który przeszukuje wszystkie pliki pdf w określonym folderze w poszukiwaniu łańcucha i drukuje pliki PDF, które pasują do ciągu zapytania.

Może to ci pomoże.

Możesz go pobrać tutaj

Jeśli chcesz zobaczyć nazwy plików z pdftotext, użyj następującego polecenia:

find . -name '*.pdf' -exec echo {} \; -exec pdftotext {} - \; | grep "pattern\|pdf" 

Istnieje inne narzędzie o nazwie ripgrep-all , oparte na ripgrep .

Może obsługiwać nie tylko dokumenty PDF, takie jak dokumenty i filmy Office, a autor twierdzi, że jest szybszy niżpdfgrep .

Składnia polecenia do rekurencyjnego przeszukiwania bieżącego katalogu, a drugi ogranicza się tylko do plików PDF:

rga 'pattern' .
rga --type pdf 'pattern' .

Istnieje narzędzie crgrep do tworzenia wspólnych zasobów typu open source plików które przeszukuje pliki PDF, ale także inne zasoby, takie jak zawartość zagnieżdżona w archiwach, tabele baz danych, metadane obrazu, zależności plików POM i zasoby sieciowe - oraz ich kombinacje, w tym wyszukiwanie rekurencyjne.

Pełny opis w zakładce Pliki obejmuje prawie wszystko, co obsługuje narzędzie.

Opracowałem crgrep jako narzędzie typu open source.

Najpierw przekonwertuj wszystkie pliki pdf na pliki tekstowe:

for file in *.pdf;do pdftotext "$file"; done

Następnie użyj grepjak zwykle. Jest to szczególnie dobre, ponieważ jest szybkie, gdy masz wiele zapytań i wiele plików PDF.

Potrzebujesz kilku narzędzi, takich jak pdf2text, aby najpierw przekonwertować pdf na plik tekstowy, a następnie przeszukać tekst. (Prawdopodobnie przegapisz niektóre informacje lub symbole).

Jeśli używasz języka programowania, prawdopodobnie są w tym celu napisane biblioteki pdf. np. http://search.cpan.org/dist/CAM-PDF/ dla Perla

spróbuj użyć „acroread” w prostym skrypcie, takim jak powyższy