ฉันจะ grep ในไฟล์ PDF ได้อย่างไร

มีวิธีการค้นหาไฟล์ pdf โดยใช้พลังของ grep โดยไม่ต้องแปลงเป็นข้อความเป็นอันดับแรกใน Ubuntu หรือไม่?

ติดตั้งแพ็กเกจpdfgrepจากนั้นใช้คำสั่ง:

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

------

วิธีที่ง่ายที่สุดคือ

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

หากคุณpoppler-utilsติดตั้ง (เริ่มต้นบน Ubuntu Desktop) คุณสามารถ "แปลง" ได้ทันทีและไปที่grep:

pdftotext my.pdf - | grep 'pattern'

สิ่งนี้จะไม่สร้างไฟล์. txt

pdfgrepเขียนขึ้นเพื่อจุดประสงค์นี้โดยแท้และมีอยู่ใน Ubuntu

มันพยายามที่จะเข้ากันได้เป็นส่วนใหญ่grepและทำให้ "พลังแห่ง grep" โดยเฉพาะสำหรับ PDF ซึ่งรวมถึงตัวเลือก grep ทั่วไปเช่น--recursive, หรือ--ignore-case--color

ในทางตรงกันข้ามpdftotext | greppdfgrep สามารถส่งออกหมายเลขหน้าของการแข่งขันในลักษณะนักแสดงและโดยทั่วไปจะเร็วกว่าเมื่อไม่ต้องค้นหาเอกสารทั้งหมด (เช่น--max-countหรือ--quiet)

การใช้งานพื้นฐานคือ:

pdfgrep PATTERN FILE..

PATTERNสตริงการค้นหาของคุณอยู่ที่ไหนและFILEรายชื่อไฟล์ (หรือไวด์การ์ดในเชลล์)

ดูmanpageสำหรับข่าวสารเพิ่มเติม

เลขที่

ไฟล์ PDF ประกอบด้วยข้อมูลจำนวนหนึ่งบางส่วนเป็นข้อความรูปภาพบางรูปและบางส่วนเป็นไฟล์ XYZ แฟนซีที่น่าอัศจรรย์อย่างแท้จริง (เช่นไฟล์. u3d) ชิ้นส่วนเหล่านั้นส่วนใหญ่ถูกบีบอัด (เช่นแบนตรวจสอบhttp://www.verypdf.com/pdfinfoeditor/compression.htm ) เพื่อที่จะ 'grep' a .pdf คุณต้องย้อนกลับการบีบอัด aka แยกข้อความ

คุณสามารถทำได้ทั้งไฟล์ด้วยเครื่องมือเช่นpdf2textและ grep ผลลัพธ์หรือคุณเรียกใช้ 'indexer' (ดูที่xapian.orgหรือlucene ) ซึ่งสร้างดัชนีที่ค้นหาได้จากไฟล์. pdf ของคุณจากนั้นคุณสามารถใช้การค้นหา เครื่องมือเอ็นจิ้นของตัวสร้างดัชนีนั้นเพื่อรับเนื้อหาของ pdf

แต่ไม่คุณไม่สามารถgrepไฟล์ PDF และหวังว่าจะได้คำตอบที่เชื่อถือได้โดยไม่ต้องแยกข้อความออกก่อน

Recollสามารถค้นหา PDF มันไม่รองรับการแสดงออกปกติ แต่มีตัวเลือกการค้นหาอื่น ๆ อีกมากมายดังนั้นมันอาจเหมาะสมกับความต้องการของคุณ

คุณสามารถผ่านมันได้stringsก่อน: -

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

ลองดูที่เครื่องมือ grep ทรัพยากรทั่วไปcrgrepซึ่งรองรับการค้นหาภายในไฟล์ PDF

นอกจากนี้ยังช่วยให้ค้นหาทรัพยากรอื่น ๆ เช่นเนื้อหาที่ซ้อนในคลังข้อมูลตารางฐานข้อมูลเมตาดาต้าการพึ่งพาไฟล์ POM และแหล่งข้อมูลบนเว็บ - และการรวมกันของสิ่งเหล่านี้รวมถึงการค้นหาแบบเรียกซ้ำ

ลองนี้

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

สำหรับการพิมพ์บรรทัดลวดลายที่เกิดขึ้นภายใน pdf

cd ไปยังโฟลเดอร์ที่มีไฟล์ pdf ของคุณแล้ว ..

pdfgrep 'pattern' your.pdf

หรือหากคุณต้องการค้นหาไฟล์ PDF มากกว่าหนึ่งไฟล์ (เช่นในไฟล์ pdf ทั้งหมดในโฟลเดอร์ของคุณ)

pdfgrep 'pattern'  `ls *.pdf`

หรือ

pdfgrep 'pattern' $(ls *.pdf)

มีคำถามซ้ำกันใน StackOverflow คนที่นั่นแนะนำการเปลี่ยนแปลงของ harish.venkarts ตอบ:

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

ข้อได้เปรียบเหนือคำตอบที่คล้ายกันที่นี่คือ--with-filenameธงสำหรับ grep สิ่งนี้ค่อนข้างดีกว่า pdfgrep เช่นกันเนื่องจาก grep มาตรฐานมีคุณสมบัติมากกว่า

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

นี่คือสคริปต์ด่วนสำหรับค้นหา pdf ในไดเรกทอรีปัจจุบัน:

#!/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 \;

ผมถือว่าคุณหมายถึง TP ไม่แปลงบนดิสก์คุณสามารถแปลงให้stdoutแล้ว grep pdftotextมันด้วย การแปลงไฟล์ PDF เป็นไฟล์ ๆ โดยไม่มีการแปลงใด ๆ นั้นไม่ใช่วิธีการปฏิบัติเพราะPDFส่วนใหญ่เป็นรูปแบบไบนารี

ในไดเรกทอรี:

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

หรือในไดเรกทอรีและไดเรกทอรีย่อย:

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

นอกจากนี้เนื่องจากบางpdfสแกนจะต้องมี OCR ก่อน ฉันเขียนวิธีง่ายๆในการค้นหาไฟล์ PDF ทั้งหมดที่ไม่สามารถgreped และ OCR ได้

ฉันสังเกตว่าpdfไฟล์ไม่มีตัวอักษรใด ๆ มันมักจะไม่สามารถค้นหาได้ pdffontsดังนั้นการรู้นี้เราสามารถใช้

2 บรรทัดแรกของpdffontsส่วนหัวเป็นส่วนหัวของตารางดังนั้นเมื่อไฟล์ที่ค้นหาได้มีเอาต์พุตมากกว่าสองบรรทัดรู้ว่าเราสามารถสร้าง:

gedit check_pdf_searchable.sh

จากนั้นวางสิ่งนี้

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

จากนั้นทำให้สามารถเรียกใช้งานได้

chmod +x check_pdf_searchable.sh

จากนั้นแสดงรายการไฟล์ PDF ที่ไม่สามารถค้นหาได้ทั้งหมดในไดเรกทอรี:

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

หรือในไดเรกทอรีและไดเรกทอรีย่อย:

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

หากคุณต้องการค้นหาชื่อ / คุณสมบัติของไฟล์ PDF ... หรือสตริงแบบง่าย ๆ ที่ไม่ถูกบีบอัดหรือเข้ารหัสแล้วแทนที่จะใช้stringsคุณสามารถใช้ด้านล่าง

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

จากgrep --help:

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

และcat --help:

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

gpdf อาจเป็นสิ่งที่คุณต้องการหากคุณใช้ Gnome! ตรวจสอบนี้ในกรณีที่คุณไม่ได้ใช้คำพังเพย มีรายการของผู้ชมไฟล์ PDF ของ CLI จากนั้นคุณสามารถใช้grepเพื่อค้นหารูปแบบบางอย่าง