Як шукати вміст кількох файлів у форматі PDF?

Як я міг шукати вміст файлів PDF у каталозі / підкаталозі? Я шукаю деякі інструменти командного рядка. Здається, що grepне можна шукати файли PDF.

Ваш дистрибутив повинен надати утиліту під назвою pdftotext:

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

"-" необхідно мати вихід pdftotext для stdout, а не для файлів. Параметри --with-filenameта --label=параметри додадуть ім'я файлу у виведення grep. Необов’язковий --colorпрапор є приємним і вказує греп для виведення кольорів за допомогою терміналу.

(В Ubuntu pdftotextпередбачено пакетом xpdf-utilsабо poppler-utils.)

Цей метод, використовуючи pdftotextта grep, має перевагу перед тим, pdfgrepякщо ви хочете використовувати функції GNU, grepякі pdfgrepне підтримують. Примітка : pdfgrep-1.3.x підтримує -Cопцію для друку рядка контексту.

Існує pdfgrep , який робить саме те, що пропонує його назва.

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

Я використовував його для простих пошуків, і він працював чудово.

(Є пакети в Debian, Ubuntu та Fedora.)

Оскільки версія 1.3.0 pdfgrep підтримує рекурсивний пошук. Ця версія доступна в Ubuntu з Ubuntu 12.10 (Quantal).

Recoll - це фантастичний повнотекстовий додаток для пошуку GUI для Unix / Linux, який підтримує десятки різних форматів, включаючи PDF. Він навіть може передати точний номер сторінки та пошуковий термін запиту в програму перегляду документів і, таким чином, дозволяє перейти до результату прямо з його графічного інтерфейсу.

Також Recoll поставляється з життєздатним інтерфейсом командного рядка та інтерфейсом веб-браузера .

Моя фактична версія pdfgrep (1.3.0) дозволяє наступне:

pdfgrep -HiR 'pattern' /path

При виконанні pdfgrep --help:

• Н: Надрукуйте ім'я файлу для кожної відповідності.
• i: Ігноруйте відмінності випадків.
• R: Пошук каталогів рекурсивно.

Він добре працює на моєму Ubuntu.

Я зробив цей руйнівний невеликий сценарій. Повеселіться з цим.

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
}

Мені подобається відповідь @ sjr, проте я віддаю перевагу xargs vs -exec. Я вважаю xargs більш універсальним. Наприклад, за допомогою -P ми можемо скористатися кількома процесорами, коли це має сенс.

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

У мене була така ж проблема, і тому я написав сценарій, який шукає рядки у всіх PDF-файлах у вказаній папці та друкує PDF-файли, які відповідають рядку запиту.

Можливо, це вам буде корисно.

Завантажити його можна тут

Якщо ви хочете побачити імена файлів з pdftotext, використовуйте наступну команду:

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

Існує ще одна утиліта під назвою ripgrep-all , яка заснована на ripgrep .

Він може обробляти більше, ніж просто документи PDF, як документи Office та фільми, і автор стверджує, що це швидше pdfgrep.

Синтаксис команд для рекурсивного пошуку в поточному каталозі, а другий обмежує лише файли PDF:

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

Існує з відкритим вихідним кодом загальний ресурс Grep інструмент crgrep , який виконує пошук в PDF - файлах , але і інші ресурси , такі як зміст вкладені в архіви, таблиці бази даних, зображень мета-даних, залежностей POM файлів і веб - ресурсів - і комбінації цих включаючи рекурсивний пошук.

Повний опис на вкладці Файли в значній мірі охоплює те, що інструмент підтримує.

Я розробив crgrep як інструмент із відкритим кодом.

Спочатку конвертуйте всі ваші PDF-файли в текстові файли:

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

Потім використовуйте grepяк звичайне. Це особливо добре, оскільки це швидко, коли у вас є кілька запитів і багато файлів PDF.

Вам потрібні такі інструменти, як pdf2text, щоб спершу перетворити pdf у текстовий файл, а потім шукати всередині тексту. (Ви, мабуть, пропустите якусь інформацію чи символи).

Якщо ви використовуєте мову програмування, можливо, для цього є написані бібліотеки PDF. наприклад, http://search.cpan.org/dist/CAM-PDF/ для Perl

спробуйте використовувати "acroread" у простому сценарії, як описано вище