Birden fazla pdf dosyasının içeriği nasıl aranır?

Bir dizindeki / alt dizindeki PDF dosyalarının içeriğini nasıl arayabilirim? Bazı komut satırı araçları arıyorum. Görünüşe göre grepPDF dosyalarını arayamıyor.

Dağıtımınız şu adla bir yardımcı program sağlamalıdır pdftotext:

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

"-" dosyalara değil, stdout'a pdftotext çıktısı almak için gereklidir. --with-filenameVe --label=seçenekler grep çıkışında dosya adını koyacağız. İsteğe bağlı --colorbayrak güzeldir ve grep'e terminaldeki renkleri kullanarak çıktı vermesini söyler.

(Ubuntu'da, pdftotextpaket xpdf-utilsveya tarafından sağlanır poppler-utils.)

Bu yöntem kullanılarak pdftotextve grepüzerinde bir avantaja sahiptir pdfgrepEğer GNU özelliklerini kullanmak istiyorsanız desteklemez. Not : pdfgrep-1.3.x , bağlam satırını yazdırma seçeneğini destekler .greppdfgrep-C

Tam olarak adından da anlaşılacağı gibi pdfgrep var .

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

Basit aramalar için kullandım ve iyi çalıştı.

(Debian, Ubuntu ve Fedora'da paketler var.)

Sürüm 1.3.0 beri pdfgrep özyinelemeli aramayı destekler. Bu sürüm Ubuntu'da kullanılabilir. Ubuntu 12.10 (Quantal).

Recoll , PDF dahil onlarca farklı formatı destekleyen Unix / Linux için harika bir tam metin GUI arama uygulamasıdır. Sorgunun tam sayfa numarasını ve arama terimini belge görüntüleyiciye bile aktarabilir ve böylece sonuca doğrudan GUI'sinden atlamanıza olanak tanır.

Recoll ayrıca uygun bir komut satırı arayüzü ve bir web tarayıcı arayüzü ile birlikte gelir .

Benim pdfgrep (1.3.0) benim gerçek sürümü aşağıdakileri sağlar:

pdfgrep -HiR 'pattern' /path

Yaparken pdfgrep --help:

• H: Her eşleşme için dosya adını yazdırın.
• i: Büyük / küçük harf ayrımlarını yoksay.
• R: Dizinleri özyinelemeli olarak arayın.

Ubuntu'mda iyi çalışıyor.

Bu yıkıcı küçük senaryoyu yaptım . Onunla eğlenin.

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
}

@ Sjr'ın cevabını seviyorum ama xargs vs -exec'i tercih ediyorum. Xargs'ı daha çok yönlü buluyorum. Örneğin -P ile bunu yapmak mantıklı olduğunda birden fazla CPU'dan yararlanabiliriz.

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

Ben de aynı sorunu vardı ve böylece bir dizede belirtilen klasördeki tüm pdf dosyalarını arar ve sorgu dizesi ile eşleşen PDF dosyalarını yazdırır bir komut dosyası yazdı.

Belki bu size yardımcı olacaktır.

Buradan indirebilirsiniz

Pdftotext ile dosya adlarını görmek istiyorsanız aşağıdaki komutu kullanın:

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

Ripgrep'i temel alan ripgrep -all adında başka bir yardımcı program daha vardır .

Office belgeleri ve filmler gibi PDF belgelerinden daha fazlasını işleyebilir ve yazar bunun daha hızlı olduğunu iddia eder pdfgrep.

Geçerli dizini özyinelemeli olarak aramak için komut sözdizimi ve ikincisi yalnızca PDF dosyalarıyla sınırlanır:

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

PDF dosyalarında arama yapan açık kaynaklı bir ortak kaynak grep aracı crgrep , aynı zamanda arşivlerde iç içe geçmiş içerik, veritabanı tabloları, görüntü meta verileri, POM dosya bağımlılıkları ve web kaynakları - ve bunların yinelemeli arama dahil kombinasyonları.

Dosyalar sekmesinin altındaki tam açıklama, aracın desteklediğini hemen hemen kapsar.

Bir açık kaynak aracı olarak crgrep geliştirdim.

Öncelikle tüm pdf dosyalarınızı metin dosyalarına dönüştürün:

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

Sonra grepnormal olarak kullanın . Bu, özellikle birden fazla sorgunuz ve çok sayıda PDF dosyanız olduğunda hızlı olduğu için iyidir.

Önce pdf'nizi bir metin dosyasına dönüştürmek ve sonra metnin içinde arama yapmak için pdf2text gibi bazı araçlara ihtiyacınız vardır. (Muhtemelen bazı bilgileri veya sembolleri özleyeceksiniz).

Bir programlama dili kullanıyorsanız, muhtemelen bu amaçla yazılmış pdf kütüphaneleri vardır. ör . Perl için http://search.cpan.org/dist/CAM-PDF/

yukarıdaki gibi basit bir komut dosyasında 'acroread'i kullanmayı deneyin