如何搜索多个pdf文件的内容？

如何在目录/子目录中搜索PDF文件的内容？我正在寻找一些命令行工具。似乎grep无法搜索PDF文件。

您的发行版应提供一个名为的实用程序pdftotext：

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

要使pdftotext输出到stdout，而不是文件，必须使用“-”。在--with-filename和--label=选项将在grep的输出把文件名。可选--color标志很不错，它告诉grep使用终端上的颜色进行输出。

（在Ubuntu中，pdftotext由xpdf-utils或提供poppler-utils。）

这种方法，使用pdftotext和grep，拥有一个优势pdfgrep，如果你想使用GNU的特点grep是pdfgrep不支持。注意：pdfgrep-1.3.x支持-C打印上下文行的选项。

有pdfgrep，它的功能恰如其名。

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

我已经将其用于简单搜索，并且效果很好。

（在Debian，Ubuntu和Fedora中有软件包。）

从1.3.0版开始，pdfgrep支持递归搜索。自Ubuntu 12.10（Quantal）起，此版本已在Ubuntu中可用。

Recoll是用于Unix / Linux的出色的全文本GUI搜索应用程序，它支持包括PDF在内的多种不同格式。它甚至可以将查询的确切页码和搜索词传递给文档查看器，从而使您可以直接从其GUI跳转到结果。

Recoll还具有可行的命令行界面和Web浏览器界面。

我的pdfgrep（1.3.0）的实际版本允许以下操作：

pdfgrep -HiR 'pattern' /path

进行时pdfgrep --help：

• H：打印每个匹配项的文件名。
• i：忽略大小写区别。
• R：递归搜索目录。

它在我的Ubuntu上运行良好。

我做了这个破坏性的小脚本。玩得开心。

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
}

我喜欢@sjr的答案，但是我更喜欢xargs与-exec。我发现xargs更通用。例如，使用-P时，我们可以利用多个CPU。

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

我遇到了同样的问题，因此编写了一个脚本，该脚本在指定文件夹中的所有pdf文件中搜索字符串，然后打印与查询字符串匹配的PDF文件。

也许这对您有帮助。

您可以在这里下载

如果要使用pdftotext查看文件名，请使用以下命令：

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

还有另一个名为ripgrep-all的实用程序，它基于ripgrep。

它不仅可以处理PDF文档（例如Office文档和电影），而且作者声称它比更快pdfgrep。

递归搜索当前目录的命令语法，第二个语法仅限于PDF文件：

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

有一个开源的通用资源grep工具crgrep，它可以在PDF文件中进行搜索，还可以在其他资源中进行搜索，例如嵌套在档案中的内容，数据库表，图像元数据，POM文件依赖项和Web资源-以及它们的组合，包括递归搜索。

文件选项卡下的完整描述几乎涵盖了该工具支持的内容。

我将crgrep开发为开源工具。

首先将您所有的pdf文件转换为文本文件：

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

然后grep照常使用。这特别好，因为当您有多个查询和很多PDF文件时，它很快。

您需要诸如pdf2text之类的一些工具才能首先将pdf转换为文本文件，然后在文本内部进行搜索。（您可能会错过一些信息或符号）。

如果您使用的是编程语言，则可能为此目的编写了pdf库。例如http://search.cpan.org/dist/CAM-PDF/ for Perl

尝试在上述简单脚本中使用“ acroread”