Làm thế nào để tìm kiếm nội dung của nhiều tập tin pdf?

Làm cách nào tôi có thể tìm kiếm nội dung của tệp PDF trong thư mục / thư mục con? Tôi đang tìm kiếm một số công cụ dòng lệnh. Dường như grepkhông thể tìm kiếm tệp PDF.

Phân phối của bạn sẽ cung cấp một tiện ích gọi là pdftotext:

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

"-" là cần thiết để có đầu ra pdftotext thành thiết bị xuất chuẩn, không cho các tệp. Các tùy chọn --with-filenamevà --label=sẽ đặt tên tệp trong đầu ra của grep. --colorCờ tùy chọn là tốt và báo cho grep xuất ra bằng cách sử dụng màu trên thiết bị đầu cuối.

(Trong Ubuntu, pdftotextđược cung cấp bởi gói xpdf-utilshoặc poppler-utils.)

Phương pháp này, sử dụng pdftotextvà grep, có lợi thế hơn pdfgrepnếu bạn muốn sử dụng các tính năng của GNU grepmà pdfgrepkhông hỗ trợ. Lưu ý : pdfgrep-1.3.x hỗ trợ -Ctùy chọn để in dòng ngữ cảnh.

Có pdfgrep , chính xác những gì tên của nó gợi ý.

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 các gói trong Debian, Ubuntu và Fedora.)

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

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

Recoll cũng đi kèm với giao diện dòng lệnh khả thi và giao diện trình duyệt web .

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

pdfgrep -HiR 'pattern' /path

Khi làm pdfgrep --help:

• H: In tên tệp cho mỗi trận đấu.
• i: Bỏ qua sự phân biệt trường hợp.
• R: Thư mục tìm kiếm đệ quy.

Nó hoạt động tốt trên Ubuntu của tôi.

Tôi đã thực hiện kịch bản nhỏ phá hoại 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
}

Tôi thích câu trả lời của @ sjr tuy nhiên tôi thích xargs vs -exec. Tôi thấy xargs linh hoạt hơn. Ví dụ với -P, chúng ta có thể tận dụng nhiều CPU khi thực hiện điều đó hợp lý.

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

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

Có lẽ điều này sẽ hữu ích cho bạn.

Bạn có thể tải nó ở đây

Nếu bạn muốn xem tên tệp với pdftotext, hãy sử dụng lệnh sau:

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

Có một tiện ích khác gọi là ripgrep-all , dựa trên ripgrep .

Nó có thể xử lý nhiều hơn chỉ các tài liệu PDF, như các tài liệu và phim Office và tác giả cho rằng nó nhanh hơn pdfgrep.

Cú pháp lệnh để tìm kiếm đệ quy thư mục hiện tại và lệnh thứ hai chỉ giới hạn ở các tệp PDF:

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

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

Mô tả đầy đủ trong tab Tệp bao gồm rất nhiều những gì công cụ hỗ trợ.

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

Đầu tiên chuyển đổi tất cả các tệp pdf của bạn thành các tệp văn bản:

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

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

Bạn cần một số công cụ như pdf2text để trước tiên chuyển đổi pdf của bạn 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

hãy thử sử dụng 'acroread' trong một tập lệnh đơn giản như ở trên