Jak wyszukiwać zawartość wielu plików pdf?

Question

Jak mogę przeszukać zawartość plików PDF w katalogu/podkatalogu? Szukam niektórych narzędzi wiersza poleceń. Wygląda na to, że grep nie może wyszukiwać plików PDF.

Answer 1

Twoja dystrybucja powinna dostarczyć narzędzie o nazwie pdftotext:

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

przycisk "-" jest konieczne, aby mieć wyjście pdftotext na standardowe wyjście, a nie pliki. Opcje --with-filename i --label= umieszczą nazwę pliku na wyjściu grep. Opcjonalna flaga --color jest niezła i mówi grep, aby wyświetlała kolory za pomocą terminala.

(w Ubuntu, pdftotext jest dostarczane przez pakiet xpdf-utils lub poppler-utils.)

Ta metoda, za pomocą pdftotext i grep, ma przewagę nad pdfgrep jeśli chcesz korzystać z funkcji GNU grep że pdfgrep nie wsparcie. Uwaga: pdfgrep-1.3.x obsługuje opcję -C do drukowania linii kontekstu.

Answer 2

Potrzebne są narzędzia takie jak pdf2text, aby najpierw przekonwertować plik PDF na plik tekstowy, a następnie wyszukać w tekście. (Prawdopodobnie przegapisz jakieś informacje lub symbole).

Jeśli używasz języka programowania, prawdopodobnie istnieją w tym celu biblioteki pdf. na przykład http://search.cpan.org/dist/CAM-PDF/ dla Perl

Answer 3

spróbować użyć „acroread” w prosty skrypt jak ten powyżej

Answer 4

Jest pdfgrep, który robi dokładnie to, co sugeruje jego nazwa.

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

Użyłem go do prostych wyszukiwań i działało dobrze.

(Istnieją pakiety w Debianie, Ubuntu i Fedory.)

Od wersji 1.3.0 pdfgrep obsługuje rekurencyjne przeszukiwanie. Ta wersja jest dostępna w Ubuntu od wersji Ubuntu 12.10 (Quantal).

Answer 5

Zrobiłem ten mały skrypt niszczący. Baw się dobrze.

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 
} 

Answer 6

miałem ten sam problem i dlatego napisałem skrypt, który wyszukuje wszystkie pliki PDF w określonym folderze na sznurku i drukuje pliki PDF wich dopasowane ciąg kwerendy.

Może to ci pomoże.

można go pobrać here

Answer 7

Jeżeli chcesz zobaczyć nazwy plików z pdftotext użycia polecenia:

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

Answer 8

Recoll jest fantastycznym pełnotekstowego aplikacja wyszukiwania GUI dla Unix/Linux obsługuje dziesiątki różnych formatów, w tym PDF. Może nawet przekazać dokładny numer strony i wyszukiwany termin zapytania do przeglądarki dokumentów, dzięki czemu można przeskoczyć do wyniku bezpośrednio z jego GUI.

Recoll jest również wyposażony w wydajny interfejs wiersza poleceń i web-browser interface.

Answer 9

Istnieje ogólnodostępne narzędzie open source grep crgrep, które przeszukuje pliki PDF, ale także inne zasoby, takie jak zawartość zagnieżdżona w archiwach, tabele bazy danych, metadane obrazu, zależności pliku POM i zasoby sieciowe - oraz ich kombinacje, w tym rekursywne Szukaj.

Pełny opis w zakładce Pliki prawie obejmuje obsługę tego narzędzia.

Opracowałem crgrep jako narzędzie opensource.

Answer 10

Moja rzeczywista wersja pdfgrep (1.3.0) pozwala na następujące:

pdfgrep -HiR 'pattern' /path 

Podczas pdfgrep --help:

• H: Broszura nazwę pliku dla każdego meczu.
• i: Ignoruj ​​rozróżnianie wielkości liter.
• R: Wyszukiwanie katalogów rekursywnie.

Działa dobrze na moim Ubuntu.

Answer 11

Lubię odpowiedź @ sjra, ale wolę xargs vs -exec. Uważam, że xargs jest bardziej wszechstronny. Na przykład z -P możemy skorzystać z wielu procesorów, kiedy ma to sens.

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

Answer 12

najpierw przekonwertować wszystkie pliki PDF do plików tekstowych:

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

Następnie użyj grep jako normalne. Jest to szczególnie dobre, ponieważ jest szybkie, gdy masz wiele zapytań i dużo plików PDF.