Bagaimana cara mencari konten beberapa file pdf?

Bagaimana saya bisa mencari konten file PDF dalam direktori / subdirektori? Saya mencari beberapa alat baris perintah. Tampaknya greptidak dapat mencari file PDF.

Distribusi Anda harus menyediakan utilitas yang disebut pdftotext:

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

"-" diperlukan untuk memiliki keluaran pdftotext ke stdout, bukan ke file. The --with-filenamedan --label=pilihan akan menempatkan nama file dalam output dari grep. --colorBendera opsional bagus dan memberi tahu grep untuk keluaran menggunakan warna pada terminal.

(Di Ubuntu, pdftotextdisediakan oleh paket xpdf-utilsatau poppler-utils.)

Metode ini, menggunakan pdftotextdan grep, memiliki keunggulan dibandingkan pdfgrepjika Anda ingin menggunakan fitur-fitur GNU grepyang pdfgreptidak mendukung. Catatan : pdfgrep-1.3.x mendukung -Copsi untuk mencetak garis konteks.

Ada pdfgrep , yang melakukan persis seperti namanya.

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

Saya telah menggunakannya untuk pencarian sederhana dan bekerja dengan baik.

(Ada paket di Debian, Ubuntu dan Fedora.)

Karena versi 1.3.0 pdfgrep mendukung pencarian rekursif. Versi ini tersedia di Ubuntu sejak Ubuntu 12.10 (Quantal).

Recoll adalah aplikasi pencarian GUI teks lengkap yang fantastis untuk Unix / Linux yang mendukung puluhan format berbeda, termasuk PDF. Ia bahkan dapat mengirimkan nomor halaman dan istilah pencarian yang tepat dari query ke penampil dokumen dan dengan demikian memungkinkan Anda untuk melompat ke hasil langsung dari GUI-nya.

Recoll juga dilengkapi dengan antarmuka baris perintah yang layak dan antarmuka browser web .

Versi pdfgrep (1.3.0) saya yang sebenarnya memungkinkan hal-hal berikut:

pdfgrep -HiR 'pattern' /path

Ketika melakukan pdfgrep --help:

• H: Cetak nama file untuk setiap kecocokan.
• i: Abaikan perbedaan kasus.
• R: Cari direktori secara rekursif.

Ini bekerja dengan baik di Ubuntu saya.

Saya membuat skrip kecil yang merusak ini . Bersenang-senanglah dengan itu.

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
}

Saya suka jawaban @ sjr namun saya lebih suka xargs vs -exec. Saya menemukan xargs lebih fleksibel. Sebagai contoh dengan -P kita dapat memanfaatkan banyak CPU ketika masuk akal untuk melakukannya.

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

Saya memiliki masalah yang sama dan karenanya saya menulis sebuah skrip yang mencari semua file pdf dalam folder yang ditentukan untuk sebuah string dan mencetak file PDF yang cocok dengan string kueri.

Mungkin ini akan membantu Anda.

Anda dapat mengunduhnya di sini

Jika Anda ingin melihat nama file dengan pdftotext, gunakan perintah berikut:

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

Ada utilitas lain yang disebut ripgrep-all , yang didasarkan pada ripgrep .

Ia dapat menangani lebih dari sekadar dokumen PDF, seperti dokumen dan film Office, dan penulis mengklaim lebih cepat dari itu pdfgrep.

Perintah sintaks untuk mencari direktori saat ini secara rekursif, dan yang kedua hanya terbatas pada file PDF:

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

Ada sumber terbuka grep alat sumber daya umum grgrep yang mencari dalam file PDF tetapi juga 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.

Deskripsi lengkap di bawah tab File cukup banyak mencakup apa yang didukung alat ini.

Saya mengembangkan crgrep sebagai alat opensource.

Konversi dulu semua file pdf Anda ke file teks:

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

Kemudian gunakan grepseperti biasa. Ini sangat baik karena cepat ketika Anda memiliki banyak pertanyaan dan banyak file PDF.

Anda memerlukan beberapa alat seperti pdf2text untuk mengkonversi pdf Anda menjadi file teks dan kemudian mencari di dalam teks. (Anda mungkin akan kehilangan beberapa informasi atau simbol).

Jika Anda menggunakan bahasa pemrograman, mungkin ada perpustakaan pdf yang ditulis untuk tujuan ini. misalnya http://search.cpan.org/dist/CAM-PDF/ untuk Perl

coba gunakan 'acroread' dalam skrip sederhana seperti di atas