Как искать содержимое нескольких файлов PDF?

Как я могу искать содержимое файлов PDF в каталоге / подкаталоге? Я ищу некоторые инструменты командной строки. Кажется, что grepне может искать файлы PDF.

Ваш дистрибутив должен предоставлять утилиту под названием pdftotext:

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

«-» необходимо для вывода pdftotext на стандартный вывод, а не на файлы. --with-filenameИ --label=опции будут ставить имя файла на выходе Grep. Необязательный --colorфлаг хорош и говорит grep выводить, используя цвета на терминале.

(В Ubuntu pdftotextпредоставляется пакет xpdf-utilsили poppler-utils.)

Этот метод, использующий pdftotextи grep, имеет преимущество перед тем, pdfgrepесли вы хотите использовать функции GNU, grepкоторые pdfgrepне поддерживают. Примечание : pdfgrep-1.3.x поддерживает -Cопцию для печати строки контекста.

Существует pdfgrep , который делает именно то, что предполагает его название.

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

Я использовал его для простых поисков, и он работал нормально.

(Есть пакеты в Debian, Ubuntu и Fedora.)

Начиная с версии 1.3.0 pdfgrep поддерживает рекурсивный поиск. Эта версия доступна в Ubuntu начиная с Ubuntu 12.10 (Quantal).

Recoll - фантастическое приложение для полнотекстового поиска с графическим интерфейсом для Unix / Linux, которое поддерживает десятки различных форматов, включая PDF. Он может даже передавать точный номер страницы и поисковый запрос в просмотрщик документов и, таким образом, позволяет переходить к результату прямо из его графического интерфейса.

Recoll также поставляется с жизнеспособным интерфейсом командной строки и интерфейсом веб-браузера .

Моя актуальная версия pdfgrep (1.3.0) позволяет следующее:

pdfgrep -HiR 'pattern' /path

При выполнении pdfgrep --help:

• H: Напечатайте имя файла для каждого совпадения.
• я: игнорировать различия в регистре
• Р: Поиск по каталогам рекурсивно.

Это хорошо работает на моем Ubuntu.

Я сделал этот разрушительный маленький сценарий. Веселитесь с этим.

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
}

Мне нравится ответ @ sjr, но я предпочитаю xargs vs -exec. Я нахожу Xargs более универсальным. Например, с помощью -P мы можем использовать преимущества нескольких процессоров, когда это имеет смысл.

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

У меня была та же проблема, и поэтому я написал скрипт, который ищет строку во всех файлах pdf в указанной папке и печатает файлы PDF, которые соответствуют строке запроса.

Может быть, это будет полезно для вас.

Вы можете скачать его здесь

Если вы хотите увидеть имена файлов с pdftotext, используйте следующую команду:

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

Существует еще одна утилита под названием ripgrep-all , которая основана на ripgrep .

Он может обрабатывать не только документы PDF, например документы Office и фильмы, и автор утверждает, что это быстрее, чем pdfgrep.

Синтаксис команды для рекурсивного поиска в текущем каталоге, а второй ограничивается только файлами PDF:

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

Существует общедоступный инструмент grep с открытым исходным кодом crgrep, который выполняет поиск в файлах PDF, а также в других ресурсах, таких как содержимое, вложенное в архивы, таблицы базы данных, метаданные изображений, зависимости файлов POM и веб-ресурсы, - и их комбинации, включая рекурсивный поиск.

Полное описание на вкладке Файлы в значительной степени охватывает то, что поддерживает инструмент.

Я разработал crgrep как инструмент с открытым исходным кодом.

Сначала преобразуйте все ваши PDF-файлы в текстовые файлы:

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

Тогда используйте grepкак обычно. Это особенно хорошо, так как это быстро, когда у вас есть несколько запросов и много файлов PDF.

Вам нужны некоторые инструменты, такие как pdf2text, чтобы сначала преобразовать ваш pdf в текстовый файл, а затем искать внутри текста. (Вы, вероятно, пропустите некоторую информацию или символы).

Если вы используете язык программирования, вероятно, для этой цели написаны библиотеки pdf. например, http://search.cpan.org/dist/CAM-PDF/ для Perl

попробуйте использовать 'acroread' в простом скрипте, подобном приведенному выше