Wie kann ich PDF-Dateien einlesen?

Gibt es eine Möglichkeit, PDF-Dateien mit grep zu durchsuchen, ohne zuerst in Ubuntu in Text zu konvertieren?

Installieren Sie das Paket pdfgrepund verwenden Sie dann den Befehl:

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

——————

Der einfachste Weg ist

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

Wenn Sie poppler-utilsUbuntu Desktop installiert haben (Standardeinstellung auf Ubuntu Desktop), können Sie es im Handumdrehen "konvertieren" und an folgende Adresse weiterleiten grep:

pdftotext my.pdf - | grep 'pattern'

Dadurch wird keine TXT-Datei erstellt.

pdfgrep wurde genau für diesen Zweck geschrieben und ist in Ubuntu verfügbar.

Es versucht größtenteils kompatibel zu sein grepund bietet somit "die Kraft von grep", das nur auf PDFs spezialisiert ist. Dazu gehören gemeinsame grep Optionen, wie zum Beispiel --recursive, --ignore-caseoder --color.

Im Gegensatz dazu pdftotext | grepkann pdfgrep die Seitenzahl einer Übereinstimmung performant ausgeben und ist im Allgemeinen schneller, wenn nicht das gesamte Dokument durchsucht werden muss (z . B. --max-countoder --quiet).

Die grundlegende Verwendung ist:

pdfgrep PATTERN FILE..

Wo PATTERNist Ihre Suchzeichenfolge und FILEeine Liste der Dateinamen (oder Platzhalter in einer Shell).

Weitere Informationen finden Sie auf der Manpage .

Nein.

Ein PDF besteht aus Datenblöcken, von denen einige Text, einige Bilder und einige wirklich magische XYZ-Dateien (z. B. .u3d-Dateien) sind. Diese Chunks sind meistens komprimiert (z. B. flat, siehe http://www.verypdf.com/pdfinfoeditor/compression.htm ). Um eine PDF-Datei zu "greifen", müssen Sie die Komprimierung umkehren und den Text extrahieren.

Sie können dies entweder per Datei mit Tools wie pdf2textund grep des Ergebnisses tun , oder Sie führen einen 'Indexer' (siehe xapian.org oder lucene ) aus, der aus Ihren PDF-Dateien einen durchsuchbaren Index erstellt, und dann können Sie die Suche verwenden Engine-Tools dieses Indexers, um den Inhalt des PDF-Dokuments abzurufen.

Aber nein, Sie können keine grepPDF-Dateien und hoffen auf zuverlässige Antworten, ohne den Text zuerst zu extrahieren.

Recoll kann PDFs durchsuchen. Es unterstützt keine regulären Ausdrücke, bietet jedoch viele andere Suchoptionen, sodass es möglicherweise Ihren Anforderungen entspricht.

Sie könnten es stringszuerst durchpfeifen : -

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

Werfen Sie einen Blick auf das allgemeine Ressourcentool grep crgrep, das die Suche in PDF-Dateien unterstützt.

Sie können auch andere Ressourcen durchsuchen, z. B. in Archiven verschachtelte Inhalte, Datenbanktabellen, Bild-Metadaten, POM-Datei-Abhängigkeiten und Webressourcen - und Kombinationen davon, einschließlich rekursiver Suche.

Versuche dies

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

zum drucken der zeilen erscheint das muster im pdf

cd in ihren ordner mit ihrer pdf-datei und dann ..

pdfgrep 'pattern' your.pdf

oder wenn Sie in mehr als einer pdf-Datei suchen möchten (zB in allen pdf-Dateien in Ihrem Ordner)

pdfgrep 'pattern'  `ls *.pdf`

oder

pdfgrep 'pattern' $(ls *.pdf)

Es gibt eine doppelte Frage zu StackOverflow. Die Leute dort schlagen eine Variante von harish.venkarts vor. Antwort:

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

Der Vorteil gegenüber der ähnlichen Antwort ist hier das --with-filenameFlag für grep. Dies ist auch pdfgrep etwas überlegen, da das Standard-grep mehr Funktionen hat.

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

Hier ist ein schnelles Skript für die Suche nach PDF im aktuellen Verzeichnis:

#!/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 \;

Ich nehme an, Sie meinen, tp konvertieren es nicht auf der Festplatte, Sie können sie konvertieren stdoutund dann mit grep pdftotext. Das Übertragen von PDFs ohne jegliche Konvertierung ist kein praktischer Ansatz, da PDFes sich meist um Binärformate handelt.

Im Verzeichnis:

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

oder im Verzeichnis und seinen Unterverzeichnissen:

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

Auch weil es sich bei einigen pdfum Scans handelt, müssen sie zuerst mit OCR versehen werden. Ich habe einen ziemlich einfachen Weg geschrieben, um alle PDFs, die nicht bearbeitet werden können, zu durchsuchen grepund sie mit OCR zu versehen.

Ich habe festgestellt, dass eine pdfDatei, die keine Schriftart enthält, normalerweise nicht durchsuchbar ist. Wenn wir das wissen, können wir es nutzen pdffonts.

Die ersten pdffontsbeiden Zeilen des sind die Tabellenüberschriften. Wenn also eine Datei durchsucht werden kann, werden mehr als zwei Zeilen ausgegeben.

gedit check_pdf_searchable.sh

Dann fügen Sie diese ein

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

dann mach es ausführbar

chmod +x check_pdf_searchable.sh

Listen Sie dann alle nicht durchsuchbaren PDFs im Verzeichnis auf:

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

oder im Verzeichnis und seinen Unterverzeichnissen:

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

Wenn Sie nur nach PDF-Namen / -Eigenschaften suchen möchten ... oder nach einfachen Zeichenfolgen, die nicht komprimiert oder codiert sind strings, können Sie stattdessen die folgenden verwenden

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

Von 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

und cat --help:

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

Wenn Sie Gnome verwenden, ist gpdf möglicherweise genau das Richtige für Sie! Überprüfen Sie dies, falls Sie Gnome nicht verwenden. Es gibt eine Liste von CLI-PDF-Viewern. Dann können Sie verwenden grep, um ein Muster zu finden.