Cách tìm kiếm nội dung của nhiều tệp pdf?

Question

Làm cách nào để tìm kiếm nội dung của tệp PDF trong thư mục/thư mục con? Tôi đang tìm một số công cụ dòng lệnh. Có vẻ như grep không thể tìm kiếm tệp PDF.

Answer 1

phân phối của bạn nên cung cấp một tiện ích gọi là pdftotext:

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

Các "-" là cần thiết để có đầu ra pdftotext để stdout, chưa tập tin. Các tùy chọn --with-filename và --label= sẽ đặt tên tệp vào đầu ra của grep. Cờ tùy chọn --color rất đẹp và cho grep biết đầu ra bằng các màu trên thiết bị đầu cuối.

(Trong Ubuntu, pdftotext được cung cấp bởi các gói xpdf-utils hoặc poppler-utils.)

Phương pháp này sử dụng pdftotext và grep, có lợi thế hơn pdfgrep nếu bạn muốn sử dụng tính năng của GNU grep rằng pdfgrep không ủng hộ. Lưu ý: pdfgrep-1.3.x hỗ trợ tùy chọn -C để in dòng ngữ cảnh.

Answer 2

Bạn cần một số công cụ như pdf2text để chuyển đổi pdf đầu tiên thành tệp văn bản và sau đó tìm kiếm bên trong văn bản. (Bạn có thể sẽ bỏ lỡ một số thông tin hoặc biểu tượng).

Nếu bạn đang sử dụng ngôn ngữ lập trình, có thể có các thư viện pdf được viết cho mục đích này. ví dụ. http://search.cpan.org/dist/CAM-PDF/ cho Perl

Answer 3

hãy thử sử dụng 'acroread' trong một kịch bản đơn giản như trên

Answer 4

Có pdfgrep, mà thực hiện chính xác những gì tên của nó cho thấy.

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

Tôi đã sử dụng nó cho các tìm kiếm đơn giản và nó hoạt động tốt.

(Có gói trong Debian, Ubuntu và Fedora.)

Kể từ phiên bản 1.3.0 pdfgrep hỗ trợ tìm kiếm đệ quy. Phiên bản này có sẵn trong Ubuntu kể từ Ubuntu 12.10 (Quantal).

Answer 5

Tôi đã thực hiện phá hủy tập lệnh nhỏ này. Hãy vui vẻ với nó.

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

Tôi đã gặp vấn đề tương tự và do đó tôi đã viết một tập lệnh tìm kiếm tất cả tệp pdf trong thư mục được chỉ định cho chuỗi và in các tệp PDF khớp với chuỗi truy vấn.

Có thể điều này sẽ hữu ích cho bạn.

Bạn có thể tải nó here

Answer 7

Nếu bạn muốn xem tên tập tin với pdftotext sử dụng lệnh sau:

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

Answer 8

Recoll là toàn văn GUI ứng dụng tìm kiếm tuyệt vời cho Unix/Linux hỗ trợ hàng chục định dạng khác nhau, bao gồm PDF. Nó thậm chí có thể chuyển số trang chính xác và cụm từ tìm kiếm của một truy vấn đến trình xem tài liệu và do đó cho phép bạn chuyển đến kết quả ngay từ GUI của nó.

Thu hồi cũng đi kèm với giao diện dòng lệnh khả thi và web-browser interface.

Answer 9

Có một công cụ grep tài nguyên chung nguồn mở crgrep tìm kiếm trong tệp PDF mà còn các tài nguyên khác như nội dung được lồng trong lưu trữ, bảng cơ sở dữ liệu, siêu dữ liệu hình ảnh, phụ thuộc tệp POM và tài nguyên web - và các kết hợp này bao gồm đệ quy Tìm kiếm.

Mô tả đầy đủ trong tab Tệp chứa khá nhiều công cụ hỗ trợ.

Tôi đã phát triển crgrep như một công cụ mã nguồn mở.

Answer 10

phiên bản thực tế của tôi về pdfgrep (1.3.0) cho phép như sau:

pdfgrep -HiR 'pattern' /path 

Khi làm pdfgrep --help:

• H: In tên tập tin cho mỗi trận đấu.
• i: Bỏ qua phân biệt chữ hoa chữ thường.
• R: Tìm kiếm thư mục theo cách đệ quy.

Nó hoạt động tốt trên Ubuntu của tôi.

Answer 11

Tôi thích câu trả lời của @ sjr nhưng tôi thích xargs hơn so với -exec. Tôi thấy xargs linh hoạt hơn. Ví dụ với -P, chúng ta có thể tận dụng nhiều CPU khi có ý nghĩa.

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

Answer 12

Đầu chuyển đổi tất cả các file pdf của bạn để tập tin văn bản:

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

Sau đó sử dụng grep như bình thường. Điều này đặc biệt tốt vì nó nhanh khi bạn có nhiều truy vấn và nhiều tệp PDF.