Comment puis-je grep dans les fichiers PDF?

Existe-t-il un moyen de rechercher des fichiers pdf en utilisant la puissance de grep, sans convertir au préalable en texte dans Ubuntu?

Installez le paquet pdfgrep, puis utilisez la commande:

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

——————

Le plus simple est

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

Si vous avez poppler-utilsinstallé (par défaut sur Ubuntu Desktop), vous pouvez le "convertir" à la volée et le rediriger vers grep:

pdftotext my.pdf - | grep 'pattern'

Cela ne créera pas de fichier .txt.

pdfgrep a été écrit exactement à cette fin et est disponible dans Ubuntu.

Il essaie d'être principalement compatible avec grepet fournit ainsi "la puissance de grep", spécialisé uniquement pour les PDF. Cela inclut les options communes de grep, telles que --recursive, --ignore-caseou --color.

À la différence de pdftotext | grep, pdfgrep peut afficher le numéro de page d'une correspondance de manière performante et est généralement plus rapide lorsqu'il n'est pas nécessaire de chercher dans tout le document (par exemple --max-countou --quiet).

L'utilisation de base est:

pdfgrep PATTERN FILE..

où PATTERNest votre chaîne de recherche et FILEune liste de noms de fichiers (ou des caractères génériques dans un shell).

Voir la page de manuel pour plus d'infos.

Non.

Un fichier PDF est constitué de blocs de données, dont certains sous forme de texte, certaines d’images, et certains d’entre eux très magiques comme XYZ (par exemple, des fichiers .u3d). Ces morceaux sont la plupart du temps compressés (par exemple, à plat, consultez http://www.verypdf.com/pdfinfoeditor/compression.htm ). Afin de "grep" un .pdf, vous devez inverser la compression ou extraire le texte.

Vous pouvez le faire par fichier avec des outils tels que pdf2textet grep le résultat, ou vous exécutez un 'indexeur' (regardez xapian.org ou lucene ) qui construit un index interrogeable à partir de vos fichiers .pdf et vous pouvez ensuite utiliser la recherche. outils de moteur de cet indexeur pour obtenir le contenu du pdf.

Mais non, vous ne pouvez pas grepcréer de fichiers pdf et espérer des réponses fiables sans extraire le texte au préalable.

Recoll peut rechercher des PDF. Il ne prend pas en charge les expressions régulières, mais il possède de nombreuses autres options de recherche, il peut donc répondre à vos besoins.

Vous pouvez le faire passer en stringspremier: -

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

Jetez un coup d'œil à l'outil de ressources communes grep crgrep, qui prend en charge la recherche dans les fichiers PDF.

Il permet également de rechercher d'autres ressources telles que du contenu imbriqué dans des archives, des tables de base de données, des métadonnées de l'image, des dépendances de fichiers POM et des ressources Web, ainsi que des combinaisons de celles-ci, notamment la recherche récursive.

essaye ça

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

pour l'impression des lignes, le motif apparaît à l'intérieur du pdf

Allez dans votre dossier contenant votre fichier pdf et ensuite ..

pdfgrep 'pattern' your.pdf

ou si vous voulez chercher dans plus d'un fichier pdf (par exemple dans tous les fichiers pdf de votre dossier)

pdfgrep 'pattern'  `ls *.pdf`

ou

pdfgrep 'pattern' $(ls *.pdf)

Il y a une question en double sur StackOverflow. Les gens là-bas suggèrent une variante de harish.venkarts répondent:

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

L'avantage sur la réponse similaire ici est le --with-filenamedrapeau pour grep. Ceci est également un peu supérieur à pdfgrep, car le grep standard a plus de fonctionnalités.

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

Voici un script rapide pour la recherche pdf dans le répertoire actuel:

#!/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 \;

Je suppose que vous voulez dire que vous ne voulez pas le convertir sur le disque, vous pouvez les convertir stdoutpuis le grep pdftotext. Grepping le pdf sans aucune sorte de conversion n'est pas une approche pratique puisqu'il PDFs'agit principalement d'un format binaire.

Dans le répertoire:

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

ou dans le répertoire et ses sous-répertoires:

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

De plus, comme certaines pdfnumérisations sont numérisées, elles doivent d'abord faire l'objet d'une reconnaissance optique. J'ai écrit un moyen assez simple de rechercher tous les fichiers PDF qui ne peuvent pas être édités grepet OCR.

J'ai remarqué que si un pdffichier n'a aucune police, il est généralement impossible de le rechercher. Donc, sachant cela, nous pouvons utiliser pdffonts.

L'en pdffonts-tête de la table est composé des deux premières lignes . Ainsi, lorsqu'un fichier est interrogeable, il produit une sortie de plus de deux lignes. Sachant cela, nous pouvons créer:

gedit check_pdf_searchable.sh

puis coller ceci

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

puis le rendre exécutable

chmod +x check_pdf_searchable.sh

puis répertoriez tous les fichiers PDF non interrogeables dans le répertoire:

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

ou dans le répertoire et ses sous-répertoires:

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

Si vous souhaitez simplement rechercher des noms / propriétés au format PDF ... ou des chaînes simples qui ne sont ni compressées ni codées, stringsvous pouvez utiliser la liste ci-dessous à la place de

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

De 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

et cat --help:

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

gpdf pourrait être ce dont vous avez besoin si vous utilisez Gnome! Cochez cette case si vous n'utilisez pas Gnome. Il contient une liste de lecteurs PDF CLI. Ensuite, vous pouvez utiliser greppour trouver un motif.