Wie suche ich nach Inhalten mehrerer PDF-Dateien?

Wie kann ich den Inhalt von PDF-Dateien in einem Verzeichnis / Unterverzeichnis durchsuchen? Ich suche einige Kommandozeilen-Tools. Es scheint, dass grepPDF-Dateien nicht durchsucht werden können.

Ihre Distribution sollte ein Hilfsprogramm namens enthalten pdftotext :

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

Das "-" ist erforderlich, damit pdftotext in stdout und nicht in Dateien ausgegeben wird. Das--with-filename--label= Optionen und wird der Dateiname in die Ausgabe von grep eingefügt. Das optionale --colorFlag ist nett und weist grep an, mit Farben auf dem Terminal auszugeben.

(In Ubuntu, pdftotext wird durch das Paket xpdf-utilsoder bereitgestellt poppler-utils.)

Diese Methode mit pdftotextund grephat einen Vorteil gegenüber pdfgrepder Verwendung von Funktionen von GNU grep, pdfgrepdie nicht unterstützt werden. Hinweis : pdfgrep-1.3.x unterstützt die -COption zum Drucken von Kontextzeilen.

Es gibt pdfgrep , das genau das tut, was sein Name andeutet.

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

Ich habe es für einfache Suchen verwendet und es hat gut funktioniert.

(Es gibt Pakete in Debian, Ubuntu und Fedora.)

Seit Version 1.3.0 unterstützt pdfgrep die rekursive Suche. Diese Version ist in Ubuntu seit Ubuntu 12.10 (Quantal) verfügbar.

Recoll ist eine fantastische Volltext-GUI- Suchanwendung für Unix / Linux, die Dutzende verschiedener Formate unterstützt, einschließlich PDF. Es kann sogar die genaue Seitenzahl und den Suchbegriff einer Abfrage an den Dokumentbetrachter übergeben und ermöglicht es Ihnen, direkt über die GUI zum Ergebnis zu springen.

Recoll verfügt außerdem über eine funktionsfähige Befehlszeilenschnittstelle und eine Webbrowser-Oberfläche .

Meine aktuelle Version von pdfgrep (1.3.0) erlaubt Folgendes:

pdfgrep -HiR 'pattern' /path

Wenn Sie pdfgrep --help:

• H: Drucken Sie den Dateinamen für jede Übereinstimmung.
• i: Fallunterschiede ignorieren.
• R: Verzeichnisse rekursiv durchsuchen.

Es funktioniert gut auf meinem Ubuntu.

Ich habe dieses zerstörerische kleine Drehbuch gemacht. Viel Spass damit.

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
}

Ich mag die Antwort von @ sjr, aber ich bevorzuge xargs vs -exec. Ich finde Xargs vielseitiger. Zum Beispiel können wir mit -P mehrere CPUs nutzen, wenn dies sinnvoll ist.

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

Ich hatte das gleiche Problem und schrieb daher ein Skript, das alle PDF-Dateien im angegebenen Ordner nach einer Zeichenfolge durchsucht und die PDF-Dateien druckt, die mit der Abfragezeichenfolge übereinstimmen.

Vielleicht ist das hilfreich für Sie.

Sie können es hier herunterladen

Wenn Sie Dateinamen mit pdftotext anzeigen möchten, verwenden Sie den folgenden Befehl:

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

Es gibt ein anderes Dienstprogramm namens ripgrep-all , das auf ripgrep basiert .

Es kann mehr als nur PDF-Dokumente wie Office-Dokumente und -Filme verarbeiten, und der Autor behauptet, es sei schneller als pdfgrep.

Befehlssyntax zum rekursiven Durchsuchen des aktuellen Verzeichnisses, und das zweite beschränkt sich nur auf PDF-Dateien:

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

Es gibt ein Open-Source- Grep- Tool für allgemeine Ressourcen, crgrep das in PDF-Dateien sucht, aber auch in anderen Ressourcen wie in Archiven verschachtelten Inhalten, Datenbanktabellen, Bild-Metadaten, POM-Dateiabhängigkeiten und Webressourcen - und Kombinationen davon, einschließlich rekursiver Suche.

Die vollständige Beschreibung auf der Registerkarte "Dateien" deckt weitgehend ab, was das Tool unterstützt.

Ich habe crgrep als OpenSource-Tool entwickelt.

Konvertieren Sie zuerst alle Ihre PDF-Dateien in Textdateien:

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

Dann grepwie gewohnt verwenden. Dies ist besonders gut, da es schnell ist, wenn Sie mehrere Abfragen und viele PDF-Dateien haben.

Sie benötigen einige Tools wie pdf2text, um Ihr PDF zuerst in eine Textdatei zu konvertieren und dann im Text zu suchen. (Sie werden wahrscheinlich einige Informationen oder Symbole vermissen).

Wenn Sie eine Programmiersprache verwenden, sind wahrscheinlich PDF-Bibliotheken für diesen Zweck geschrieben. zB http://search.cpan.org/dist/CAM-PDF/ für Perl

Versuchen Sie, 'acroread' in einem einfachen Skript wie dem oben genannten zu verwenden