PDF dosyalarını nasıl grep edebilirim?

Ubuntu'da önce metne dönüştürmeden grep'in gücünü kullanarak pdf dosyalarını aramanın bir yolu var mı?

Paketi kurun ve pdfgrepsonra şu komutu kullanın:

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

------

En basit yol

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

Eğer poppler-utilsyüklediyseniz (Ubuntu Desktop’a varsayılan olarak), anında "dönüştürebilir" ve aşağıdakilere yönlendirebilirsiniz grep:

pdftotext my.pdf - | grep 'pattern'

Bu bir .txt dosyası oluşturmaz.

pdfgrep tam da bu amaçla yazılmıştır ve Ubuntu'da mevcuttur.

Çoğunlukla uyumlu olmaya çalışır grepve bu nedenle yalnızca PDF'ler için uzmanlaşmış olan "grep'in gücünü" sağlar. Bu --recursive, --ignore-caseveya gibi genel grep seçeneklerini içerir --color.

Bunun aksine pdftotext | grep, pdfgrep bir eşleşmenin sayfa numarasını performansla gösterir ve genellikle tüm dokümanı aramak zorunda olmadığında daha hızlı olur (örneğin --max-countveya --quiet).

Temel kullanım:

pdfgrep PATTERN FILE..

nerede PATTERNarama dizesi ve bir FILE(bir kabuk veya joker) dosya adları listesi.

Daha fazla bilgi için man sayfasına bakınız .

Hayır.

Bir pdf veri bölümlerinden, bazıları metinlerden, bazıları resimlerden ve bazıları gerçekten büyülü fantezi XYZ'den (örneğin .u3d dosyaları) oluşur. Bu topaklar çoğu zaman sıkıştırılmıştır (örneğin, düz, http://www.verypdf.com/pdfinfoeditor/compression.htm adresini kontrol edin ). 'Grep' .pdf için size sahip sıkıştırma aka ters metin ayıklayın.

Bunu dosya başına ya pdf2textda sonuç gibi grep araçlarıyla yapabilirsiniz ya da .pdf dosyalarınızdan aranabilir bir dizin oluşturan bir 'indexer' ( xapian.org veya lucene'ye bakın ) çalıştırıp aramayı kullanabilirsiniz. Bu indeksleyicinin motor araçları pdf içeriğini almak için.

Ancak hayır, greppdf dosyalarını düzenleyemez ve önce metni çıkarmadan güvenilir cevaplar elde edemezsiniz .

Recoll , PDF'lerde arama yapabilir. Düzenli ifadeleri desteklemiyor, ancak pek çok başka arama seçeneği var, bu nedenle ihtiyaçlarınıza uygun olabilir.

stringsİlk önce içinden geçirebilirsin : -

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

PDF dosyalarında arama yapmayı destekleyen genel kaynak grep aracı crgrep'e bakın .

Ayrıca, arşivlerde bulunan içerik, veritabanı tabloları, görüntü meta verileri, POM dosya bağımlılıkları ve web kaynakları gibi diğer kaynakları ve yinelemeli arama dahil bunların kombinasyonlarını da aramanıza izin verir.

bunu dene

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

satırları yazdırmak için desen pdf içinde gerçekleşir

pdf dosyanızı içeren klasöre cd ve sonra

pdfgrep 'pattern' your.pdf

veya birden fazla pdf dosyasında arama yapmak istiyorsanız (örneğin, klasörünüzdeki tüm pdf dosyalarında)

pdfgrep 'pattern'  `ls *.pdf`

veya

pdfgrep 'pattern' $(ls *.pdf)

StackOverflow'ta yinelenen bir soru var. Orada insanlar harish.venkarts'ın bir türevini önerdi:

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

Buradaki benzer cevaba göre avantaj --with-filenamegrep'in bayrağı. Standart grep daha fazla özelliğe sahip olduğundan, bu da pdfgrep'den daha üstündür.

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

Geçerli dizinde arama pdf için hızlı bir komut dosyası:

#!/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 \;

Diyelim ki tp'yi diske dönüştürmüyorsunuz, onları dönüştürebilir stdoutve sonra onu grep edebilirsiniz pdftotext. PDF'yi herhangi bir dönüşüm olmadan yapmak PDF, çoğunlukla ikili bir format olduğu için pratik bir yaklaşım değildir .

Dizinde:

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

veya dizinde ve alt dizinlerinde:

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

Ayrıca, bazı pdftaramalar nedeniyle , önce OCR yapılması gerekir. grepEd edilemeyen tüm pdfs'leri ve OCR'ları aramak için oldukça basit bir yol yazdım .

Bir pdfdosya herhangi bir yazı tipine sahip değilse, genellikle aranamadığını fark ettim . Yani bunu bilerek kullanabiliriz pdffonts.

İlk 2 satır pdffontstablo başlığıdır, yani bir dosya aranabilir olduğunda ikiden fazla satır çıktısı varsa, bunu yaratabileceğimizi bilerek:

gedit check_pdf_searchable.sh

sonra bunu yapıştırın

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

sonra çalıştırılabilir yap

chmod +x check_pdf_searchable.sh

sonra aranamayan tüm pdfs'leri dizinde listele:

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

veya dizinde ve alt dizinlerinde:

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

Yalnızca pdf adlarını / özelliklerini ... veya sıkıştırılmış veya kodlanmamış basit dizeleri aramak istiyorsanız strings, aşağıdakileri kullanabilirsiniz:

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

Kimden 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

ve cat --help:

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

Gnome kullanıyorsanız, gpdf ihtiyacınız olan şey olabilir! Kontrol Bu Gnome kullanmadığınız durumda. CLI pdf görüntüleyicilerinin bir listesi var. Sonra bir grepkalıp bulmak için kullanabilirsiniz .