Як я можу зібрати файли у форматі PDF?

Чи є спосіб пошуку файлів PDF, використовуючи силу grep, не перетворюючи спочатку текст у Ubuntu?

Встановіть пакет pdfgrep, а потім скористайтеся командою:

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

———————

Найпростіший спосіб

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

Якщо ви poppler-utilsвстановили (за замовчуванням на Ubuntu Desktop), ви можете "перетворити" його на льоту та передати його на grep:

pdftotext my.pdf - | grep 'pattern'

Це не створить .txt файл.

pdfgrep був написаний саме для цієї мети і доступний в Ubuntu.

Він намагається бути в основному сумісним grepі, таким чином, забезпечує "силу грепу", спеціалізовану лише для PDF-файлів. Це включає в себе загальні варіанти grep, такі як --recursive, --ignore-caseабо --color.

На відміну від pdftotext | greppdfgrep може виводити номер сторінки відповідності якісно, ​​і, як правило, швидше, коли не потрібно шукати весь документ (наприклад, --max-countабо --quiet).

Основне використання:

pdfgrep PATTERN FILE..

де PATTERNви шукаєте рядок пошуку та FILEсписок імен файлів (або макіяжів у оболонці).

Дивіться довідкову сторінку для більш докладної інформації.

Немає.

PDF складається з фрагментів даних, деякі з них тексту, деякі з них зображень, а деякі з них справді магічні фантазії XYZ (наприклад, файли .u3d). Ці шматки в більшості випадків стискаються (наприклад, плоскі, перевірте http://www.verypdf.com/pdfinfoeditor/compression.htm ). Для того, щоб 'grep' .pdf, ви повинні скасувати стиснення ака вилучити текст.

Ви можете зробити це або в файл з допомогою інструментів , таких як pdf2textі Grep результат, або ви запускаєте «індексатор» (дивитися на xapian.org або Lucene ) , який будує індекс для пошуку з ваших файлів .pdf , а потім ви можете використовувати пошук інструменти двигуна цього індексатора, щоб отримати вміст pdf.

Але ні, ви не можете greppdf-файли і сподіватися на надійні відповіді, не витягуючи текст спочатку.

Відновлення може шукати PDF-файли. Він не підтримує регулярні вирази, але в ньому є багато інших варіантів пошуку, тому він може відповідати вашим потребам.

Ви можете передати це через stringsперше: -

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

Погляньте на загальний ресурс grep tool crgrep, який підтримує пошук у файлах PDF.

Він також дозволяє здійснювати пошук інших ресурсів, таких як вміст, вкладений в архіви, таблиці баз даних, метадані зображення, залежність файлів POM та веб-ресурси - і їх комбінації, включаючи рекурсивний пошук.

спробуйте це

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

для друку рядків візерунок виникає всередині pdf

CD у свою папку, що містить ваш pdf-файл, а потім ..

pdfgrep 'pattern' your.pdf

або якщо ви хочете шукати в більш ніж одному pdf-файлі (наприклад, у всіх pdf-файлах у вашій папці)

pdfgrep 'pattern'  `ls *.pdf`

або

pdfgrep 'pattern' $(ls *.pdf)

У StackOverflow є повторне запитання. Люди, які пропонують там, пропонують різні варіанти harish.venkarts:

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

Перевага перед подібною відповіддю тут - --with-filenameпрапор grep. Це дещо перевершує і pdfgrep, оскільки стандартний grep має більше функцій.

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

Ось швидкий скрипт для пошуку pdf у поточному каталозі:

#!/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 \;

Я припускаю, що ви маєте на увазі tp не конвертувати його на диску, ви можете конвертувати їх, stdoutа потім поздоровити pdftotext. Збирання PDF без будь-якого перетворення не є практичним підходом, оскільки PDFце здебільшого двійковий формат.

У довіднику:

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

або в каталозі та його підкаталогах:

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

Крім того, оскільки деякі - pdfце сканування, їх потрібно спочатку OCRed. Я написав досить простий спосіб пошуку всіх файлів pdfs, які неможливо grepвідредагувати, та їх OCR.

Я помітив, якщо у pdfфайлі немає шрифту, його зазвичай не можна шукати. Отже, знаючи це, ми можемо використати pdffonts.

Перші 2 рядки pdffontsзаголовка таблиці є, тому коли файл, який можна шукати, має більше двох вихідних рядків, знаючи це, ми можемо створити:

gedit check_pdf_searchable.sh

потім вставте це

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

потім зробіть його виконуваним

chmod +x check_pdf_searchable.sh

потім перелічіть усі файли pdfs, які не можна шукати, у каталозі:

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

або в каталозі та його підкаталогах:

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

Якщо ви просто хочете шукати назви / властивості pdf ... або прості рядки, які не стискаються та не кодуються, то замість stringsвас можна скористатися наведеним нижче

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

Від 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

і cat --help:

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

gpdf може бути те, що вам потрібно, якщо ви використовуєте Gnome! Перевірте це, якщо ви не використовуєте Gnome. У ньому є список глядачів PDF у форматі CLI. Тоді ви можете скористатися, grepщоб знайти якийсь візерунок.