Bagaimana saya bisa grep dalam file PDF?

Apakah ada cara untuk mencari file pdf menggunakan kekuatan grep, tanpa mengkonversi ke teks terlebih dahulu di Ubuntu?

Instal paket pdfgrep, lalu gunakan perintah:

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

——————

Cara paling sederhana adalah

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

Jika Anda telah poppler-utilsmenginstal (default pada Desktop Ubuntu), Anda dapat "mengubahnya" dengan cepat dan mengirimkannya ke grep:

pdftotext my.pdf - | grep 'pattern'

Ini tidak akan membuat file .txt.

pdfgrep ditulis untuk tujuan ini dan tersedia di Ubuntu.

Sebagian besar mencoba untuk kompatibel grepdan dengan demikian memberikan "kekuatan grep", hanya khusus untuk PDF. Itu termasuk opsi grep umum, seperti --recursive, --ignore-caseatau --color.

Berbeda dengan pdftotext | grep, pdfgrep dapat menampilkan jumlah halaman yang cocok dengan performa yang baik dan umumnya lebih cepat ketika tidak harus mencari seluruh dokumen (misalnya --max-countatau --quiet).

Penggunaan dasar adalah:

pdfgrep PATTERN FILE..

di mana PATTERNstring pencarian Anda dan FILEdaftar nama file (atau wildcard di shell).

Lihat halaman manual untuk info lebih lanjut.

Tidak.

Pdf terdiri dari potongan-potongan data, beberapa di antaranya teks, beberapa di antaranya gambar dan beberapa di antaranya benar-benar ajaib XYZ (mis. File .u3d). Potongan-potongan itu sebagian besar terkompresi (mis. Flat, periksa http://www.verypdf.com/pdfinfoeditor/compression.htm ). Untuk 'grep' .pdf Anda harus membalikkan kompresi alias mengekstrak teks.

Anda dapat melakukannya per file dengan alat seperti pdf2textdan ambil hasilnya, atau Anda menjalankan 'pengindeks' (lihat xapian.org atau lucene ) yang membangun indeks yang dapat dicari dari file .pdf Anda dan kemudian Anda dapat menggunakan pencarian alat mesin pengindeks itu untuk mendapatkan konten pdf

Tapi tidak, Anda tidak bisa grepfile pdf dan berharap jawaban yang dapat diandalkan tanpa mengekstraksi teks terlebih dahulu.

Recoll dapat mencari PDF. Ini tidak mendukung ekspresi reguler, tetapi memiliki banyak opsi pencarian lain, jadi mungkin sesuai dengan kebutuhan Anda.

Anda dapat menyalurkan melalui strings:

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

Lihatlah crgrep alat sumber daya umum yang mendukung pencarian dalam file PDF.

Hal ini juga memungkinkan pencarian sumber daya lain seperti konten yang bersarang di arsip, tabel database, meta-data gambar, dependensi file POM dan sumber daya web - dan kombinasi dari ini termasuk pencarian rekursif.

coba ini

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

untuk mencetak garis, polanya muncul di dalam pdf

cd ke folder Anda yang berisi file pdf Anda dan kemudian ..

pdfgrep 'pattern' your.pdf

atau jika Anda ingin mencari lebih dari satu file pdf (mis. di semua file pdf di folder Anda)

pdfgrep 'pattern'  `ls *.pdf`

atau

pdfgrep 'pattern' $(ls *.pdf)

Ada pertanyaan duplikat di StackOverflow. Orang-orang di sana menyarankan variasi jawaban harish.venkarts:

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

Keuntungan dari jawaban serupa di sini adalah --with-filenamebendera untuk grep. Ini agak lebih unggul daripada pdfgrep juga, karena grep standar memiliki lebih banyak fitur.

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

Berikut ini adalah skrip cepat untuk mencari pdf di direktori saat ini:

#!/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 \;

Saya berasumsi maksud Anda tp tidak mengubahnya pada disk, Anda dapat mengubahnya stdoutdan kemudian menerimanya dengan pdftotext. Memegang pdf tanpa konversi apa pun bukanlah pendekatan praktis karena PDFsebagian besar merupakan format biner.

Dalam direktori:

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

atau dalam direktori dan subdirektori-nya:

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

Juga karena beberapa pdfscan, mereka perlu OCR terlebih dahulu. Saya menulis cara yang cukup sederhana untuk mencari semua pdf yang tidak dapat grepdiedit dan OCR mereka.

Saya perhatikan jika pdffile tidak memiliki font apa pun biasanya tidak dapat dicari. Jadi mengetahui ini bisa kita gunakan pdffonts.

2 baris pertama pdffontsadalah header tabel, jadi ketika sebuah file dapat dicari memiliki lebih dari dua output baris, dengan mengetahui hal ini kita dapat membuat:

gedit check_pdf_searchable.sh

lalu tempel ini

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

kemudian membuatnya bisa dieksekusi

chmod +x check_pdf_searchable.sh

kemudian daftarkan semua pdf yang tidak dapat dicari di direktori:

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

atau dalam direktori dan subdirektori-nya:

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

Jika Anda hanya ingin mencari nama / properti pdf ... atau string sederhana yang tidak dikompresi atau disandikan maka alih-alih stringsAnda dapat menggunakan di bawah ini

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

Dari 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

dan cat --help:

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

gpdf mungkin yang Anda butuhkan jika Anda menggunakan Gnome! Periksa ini jika Anda tidak menggunakan Gnome. Itu punya daftar pemirsa pdf CLI. Kemudian Anda dapat menggunakan grepuntuk menemukan beberapa pola.