วิธีค้นหาเนื้อหาของไฟล์ PDF หลายไฟล์?

ฉันจะค้นหาเนื้อหาของไฟล์ PDF ในไดเรกทอรี / ไดเรกทอรีย่อยได้อย่างไร ฉันกำลังมองหาเครื่องมือบรรทัดคำสั่ง ดูเหมือนว่าgrepไม่สามารถค้นหาไฟล์ PDF

การแจกจ่ายของคุณควรมีโปรแกรมอรรถประโยชน์ที่เรียกว่าpdftotext:

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

"-" จำเป็นต้องมีเอาต์พุต pdftotext เป็น stdout ไม่ใช่ไฟล์ --with-filenameและ--label=ตัวเลือกที่จะใส่ชื่อแฟ้มในการส่งออกของ grep การ--colorตั้งค่าสถานะเสริมดีและบอก grep ให้ออกโดยใช้สีในอาคาร

(ใน Ubuntu pdftotextให้บริการโดยแพ็คเกจxpdf-utilsหรือpoppler-utils)

วิธีนี้ใช้pdftotextและgrepมีความได้เปรียบมากกว่าpdfgrepหากคุณต้องการใช้คุณสมบัติของ GNU grepที่pdfgrepไม่รองรับ หมายเหตุ : pdfgrep-1.3.x รองรับ-Cตัวเลือกสำหรับการพิมพ์บรรทัดบริบท

มีpdfgrepซึ่งทำตามชื่อของมัน

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

ฉันใช้มันเพื่อการค้นหาง่าย ๆ และใช้งานได้ดี

(มีแพ็คเกจใน Debian, Ubuntu และ Fedora)

ตั้งแต่เวอร์ชั่น 1.3.0 pdfgrepรองรับการค้นหาแบบเรียกซ้ำ รุ่นนี้มีใน Ubuntu ตั้งแต่ Ubuntu 12.10 (Quantal)

Recollเป็นแอพพลิเคชั่นค้นหาข้อความ GUI แบบเต็มรูปแบบที่ยอดเยี่ยมสำหรับ Unix / Linux ที่รองรับรูปแบบที่หลากหลายรวมถึง PDF มันยังสามารถส่งหมายเลขหน้าและคำค้นหาของแบบสอบถามไปยังโปรแกรมดูเอกสารได้อย่างแม่นยำและทำให้คุณสามารถข้ามไปยังผลลัพธ์ได้ทันทีจาก GUI

Recoll ยังมาพร้อมกับอินเตอร์เฟซบรรทัดคำสั่งที่ทำงานและอินเตอร์เฟซเว็บเบราว์เซอร์

เวอร์ชันจริงของฉันใน pdfgrep (1.3.0) อนุญาตดังต่อไปนี้:

pdfgrep -HiR 'pattern' /path

เมื่อทำpdfgrep --help:

• H: พิมพ์ชื่อไฟล์สำหรับการแข่งขันแต่ละครั้ง
• i: ละเว้นความแตกต่างของขนาดตัวพิมพ์
• R: ค้นหาไดเรกทอรีซ้ำ ๆ

มันทำงานได้ดีบน Ubuntu ของฉัน

ฉันสร้างสคริปต์ตัวเล็กนี้ที่ทำลายล้างได้ ขอให้สนุกกับมัน

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
}

ฉันชอบคำตอบของ @ sjr แต่ฉันชอบ xargs vs -exec ฉันพบว่า xargs อเนกประสงค์มากขึ้น เช่นกับ -P เราสามารถใช้ประโยชน์จากหลาย ๆ ซีพียูเมื่อมันสมเหตุสมผล

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

ฉันมีปัญหาเดียวกันดังนั้นฉันจึงเขียนสคริปต์ซึ่งค้นหาไฟล์ pdf ทั้งหมดในโฟลเดอร์ที่ระบุเพื่อหาสตริงและพิมพ์ไฟล์ PDF ที่ตรงกับสตริงการสืบค้น

บางทีนี่อาจจะเป็นประโยชน์กับคุณ

คุณสามารถดาวน์โหลดได้ ที่นี่

หากคุณต้องการดูชื่อไฟล์ด้วยpdftotext ให้ใช้คำสั่งต่อไปนี้:

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

มียูทิลิตี้อื่นที่เรียกว่าเป็นripgrep ทั้งหมดซึ่งจะขึ้นอยู่กับripgrep

มันสามารถจัดการได้มากกว่าเพียงแค่เอกสาร PDF เช่นเอกสาร Office และภาพยนตร์และผู้เขียนเรียกร้องpdfgrepมันจะเร็วกว่า

ไวยากรณ์คำสั่งสำหรับการค้นหาไดเรกทอรีปัจจุบันซ้ำ ๆ และหนึ่งวินาที จำกัด เฉพาะไฟล์ PDF เท่านั้น:

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

มีเครื่องมือ grep เครื่องมือเปิดแหล่งข้อมูลทั่วไปcrgrepซึ่งค้นหาภายในไฟล์ PDF แต่ยังมีทรัพยากรอื่น ๆ เช่นเนื้อหาที่ซ้อนอยู่ในที่เก็บถาวรตารางฐานข้อมูลเมตาดาต้ารูปภาพการพึ่งพาไฟล์ POM และทรัพยากรเว็บ - และการรวมกันของเหล่านี้รวมถึงการค้นหาแบบเรียกซ้ำ

คำอธิบายแบบเต็มภายใต้แท็บไฟล์จะครอบคลุมสิ่งที่เครื่องมือสนับสนุน

ฉันพัฒนา crgrep เป็นเครื่องมือ opensource

ขั้นแรกให้แปลงไฟล์ pdf ทั้งหมดของคุณเป็นไฟล์ข้อความ:

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

จากนั้นใช้grepตามปกติ นี่เป็นสิ่งที่ดีโดยเฉพาะอย่างยิ่งเมื่อคุณมีหลายแบบสอบถามและไฟล์ PDF จำนวนมาก

คุณต้องใช้เครื่องมือบางอย่างเช่น pdf2text เพื่อแปลงไฟล์ pdf เป็นไฟล์ข้อความก่อนแล้วจึงค้นหาข้อความ (คุณอาจพลาดข้อมูลหรือสัญลักษณ์บางอย่าง)

หากคุณใช้ภาษาการเขียนโปรแกรมอาจมีไลบรารี PDF ที่เขียนขึ้นเพื่อจุดประสงค์นี้ เช่นhttp://search.cpan.org/dist/CAM-PDF/สำหรับ Perl

ลองใช้ 'acroread' ในสคริปต์อย่างง่ายเหมือนกับที่กล่าวมาข้างต้น