Jak mogę grepować w plikach PDF?

Czy istnieje sposób wyszukiwania plików pdf za pomocą grep, bez konwersji do tekstu w systemie Ubuntu?

Zainstaluj pakiet pdfgrep, a następnie użyj polecenia:

find /path -iname '*.pdf' -exec pdfgrep pattern {} +

——————

Najprościej jest

pdfgrep 'pattern' *.pdf
pdfgrep 'pattern' file.pdf 

Jeśli masz poppler-utilszainstalowany (domyślnie na Ubuntu Desktop), możesz go „przekonwertować” w locie i potokować do grep:

pdftotext my.pdf - | grep 'pattern'

To nie utworzy pliku .txt.

pdfgrep został napisany właśnie w tym celu i jest dostępny w Ubuntu.

Stara się być w większości kompatybilny, grepa tym samym zapewnia „moc grep”, specjalizującą się tylko w plikach PDF. Która obejmuje wspólne opcje grep, takie jak --recursive, --ignore-caselub --color.

W przeciwieństwie do pdftotext | greppdfgrep może wypisać numer strony dopasowania w wydajny sposób i generalnie jest szybszy, gdy nie musi przeszukiwać całego dokumentu (np. --max-countLub --quiet).

Podstawowym zastosowaniem jest:

pdfgrep PATTERN FILE..

gdzie PATTERNjest szukany ciąg i FILElista nazw plików (lub symboli wieloznacznych w powłoce).

Zobacz manpage cej informacje o.

Nie.

Plik pdf składa się z fragmentów danych, niektórych tekstów, niektórych zdjęć, a niektóre naprawdę magicznych, fantazyjnych XYZ (np. Plików .u3d). Te fragmenty są w większości skompresowane (np. Płaskie, sprawdź http://www.verypdf.com/pdfinfoeditor/compression.htm ). Aby „grep” .pdf trzeba odwrócić kompresję, czyli wyodrębnić tekst.

Możesz to zrobić albo dla każdego pliku za pomocą narzędzi, takich jak pdf2texti grep, lub uruchomić „indeksator” (spójrz na xapian.org lub lucene ), który buduje indeks z plików pdf do przeszukiwania, a następnie możesz użyć wyszukiwania narzędzia silnikowe tego indeksatora, aby uzyskać zawartość pliku pdf.

Ale nie, nie można greppdfować plików i mieć nadzieję na wiarygodne odpowiedzi bez uprzedniego wyodrębnienia tekstu.

Recoll może wyszukiwać pliki PDF. Nie obsługuje wyrażeń regularnych, ale ma wiele innych opcji wyszukiwania, więc może pasować do twoich potrzeb.

Możesz stringsnajpierw przepuścić przez : -

cat file.pdf | strings | grep <...etc...>

Spójrz na wspólne narzędzie crgrep grep zasobów, które obsługuje wyszukiwanie w plikach PDF.

Umożliwia także wyszukiwanie innych zasobów, takich jak zawartość zagnieżdżona w archiwach, tabele bazy danych, metadane obrazu, zależności plików POM i zasoby sieciowe - oraz ich kombinacje, w tym wyszukiwanie rekurencyjne.

Spróbuj tego

find /path -iname *.pdf -print0 | for i in `xargs 0`; do echo $i; \
    pdftotext "$i" - | grep pattern; done

do drukowania linii wzór pojawia się w pliku pdf

cd do twojego folderu zawierającego plik pdf, a następnie ...

pdfgrep 'pattern' your.pdf

lub jeśli chcesz wyszukać więcej niż jeden plik pdf (np. we wszystkich plikach pdf w swoim folderze)

pdfgrep 'pattern'  `ls *.pdf`

lub

pdfgrep 'pattern' $(ls *.pdf)

W StackOverflow istnieje zduplikowane pytanie. Ludzie tam sugerują odmianę harish.venkarts odpowiedzi:

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

Przewagą nad podobną odpowiedzią jest --with-filenameflaga grep. Jest to nieco lepsze niż pdfgrep, ponieważ standardowy grep ma więcej funkcji.

https://stackoverflow.com/questions/4643438/how-to-search-contents-of-multiple-pdf-files

Oto krótki skrypt do wyszukiwania pdf w bieżącym katalogu:

#!/bin/bash

if [ $# -ne 1 ]; then
  echo "usage $0 VALUE" 1>&2
  exit 1
fi

echo 'SEARCH IS CASE SENSITIVE' 1>&2

find . -name '*.pdf' -exec /bin/bash -c 'pdftotext "{}" - | grep --with-filename --label="{}" --color "$0"' $1 \;

Zakładam, że masz na myśli, że tp nie konwertuje go na dysk, możesz przekonwertować je na, stdouta następnie grep go pdftotext. Grepowanie pdf bez jakiejkolwiek konwersji nie jest praktycznym podejściem, ponieważ PDFjest to głównie format binarny.

W katalogu:

ls -1 ./*.pdf | xargs -L1 -I {} pdftotext {}  - | grep "keyword"

lub w katalogu i jego podkatalogach:

tree -fai . | grep -P ".pdf$" | xargs -L1 -I {} pdftotext {}  - | grep "keyword"

Ponieważ niektóre pdfsą skanami, najpierw należy je OCRed. Napisałem dość prosty sposób na przeszukiwanie wszystkich plików PDF, których nie można grepedytować i ich OCR.

Zauważyłem, że jeśli pdfplik nie ma żadnej czcionki, zwykle nie można go przeszukiwać. Wiedząc o tym, możemy skorzystać pdffonts.

Pierwsze 2 wiersze pdffontsnagłówka tabeli, więc gdy plik do przeszukiwania ma więcej niż dwa wiersze, wiedząc, że możemy to utworzyć:

gedit check_pdf_searchable.sh

następnie wklej to

#!/bin/bash 
#set -vx
if ((`pdffonts "$1" | wc -l` < 3 )); then
echo $1
pypdfocr "$1"
fi

następnie uczyń go wykonywalnym

chmod +x check_pdf_searchable.sh

następnie wypisz wszystkie nieprzeszukiwalne pliki pdf w katalogu:

ls -1 ./*.pdf | xargs -L1 -I {} ./check_pdf_searchable.sh {}

lub w katalogu i jego podkatalogach:

tree -fai . | grep -P ".pdf$" | xargs -L1 -I {} ./check_pdf_searchable.sh {}

Jeśli chcesz po prostu wyszukać nazwy / właściwości pdf ... lub proste ciągi, które nie są kompresowane ani kodowane, zamiast tego stringsmożesz użyć poniższych

grep -a STRING file.pdf
cat -v file.pdf | grep STRING

Od grep --help:

      --binary-files=TYPE   assume that binary files are TYPE;
                            TYPE is 'binary', 'text', or 'without-match'
  -a, --text                equivalent to --binary-files=text

i cat --help:

  -v, --show-nonprinting   use ^ and M- notation, except for LFD and TAB

gpdf może być tym, czego potrzebujesz, jeśli używasz Gnome! Zaznacz to, jeśli nie używasz Gnome. Ma listę przeglądarek pdf CLI. Następnie możesz użyć, grepaby znaleźć wzór.