如何在PDF文件中使用grep？

有没有一种方法可以使用grep的功能搜索pdf文件，而无需在Ubuntu中先转换为文本？

安装软件包pdfgrep，然后使用以下命令：

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

——————

最简单的方法是

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

如果已poppler-utils安装（Ubuntu Desktop上的默认设置），则可以即时对其进行“转换”并将其通过管道传递给grep：

pdftotext my.pdf - | grep 'pattern'

这不会创建.txt文件。

pdfgrep正是为此目的而编写的，可在Ubuntu中使用。

它试图与大多数产品兼容grep，从而提供“ grep的力量”，仅适用于PDF。这包括常见的grep选项，例如--recursive，--ignore-case或--color。

与相比pdftotext | grep，pdfgrep可以以高性能的方式输出匹配项的页码，并且在不必搜索整个文档（例如--max-count或--quiet）时通常更快。

基本用法是：

pdfgrep PATTERN FILE..

PATTERN您的搜索字符串和FILE文件名列表（或Shell中的通配符）在哪里。

有关更多信息，请参见手册页。

没有。

pdf包含大量数据，其中一些文本，其中一些图片，其中一些真正神奇的花哨XYZ（例如.u3d文件）。这些块大多数时候都是压缩的（例如，平坦，请检查http://www.verypdf.com/pdfinfoeditor/compression.htm）。为了“ grep” .pdf，您必须将压缩反向，也就是提取文本。

您可以使用诸如pdf2textgrep这样的结果针对每个文件执行此操作，也可以运行“索引器”（查看xapian.org或lucene），以从.pdf文件中构建可搜索的索引，然后您就可以使用搜索了该索引器的引擎工具来获取pdf的内容。

但是，不可以，您无法生成greppdf文件，并且希望在不首先提取文本的情况下获得可靠的答案。

Recoll可以搜索PDF。它不支持正则表达式，但是它还有许多其他搜索选项，因此它可能满足您的需求。

您可以strings先将其通过管道传输：-

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

看一下通用资源grep工具crgrep，它支持在PDF文件中搜索。

它还允许搜索其他资源，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-以及包括递归搜索在内的这些资源的组合。

尝试这个

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

用于打印线条，图案出现在pdf内

cd到包含pdf文件的文件夹，然后..

pdfgrep 'pattern' your.pdf

或者，如果您要搜索的不仅仅是一个pdf文件（例如，文件夹中的所有pdf文件）

pdfgrep 'pattern'  `ls *.pdf`

要么

pdfgrep 'pattern' $(ls *.pdf)

在StackOverflow上有一个重复的问题。那里的人建议使用harish.venkarts的变体：

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

与类似答案相比，这里的优势是--with-filenamegrep 的标志。由于标准grep具有更多功能，因此它在某种程度上也优于pdfgrep。

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

这是在当前目录中搜索pdf的快速脚本：

#!/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 \;

我假设您的意思是tp不会将其转换为磁盘，您可以将其转换为stdout，然后使用进行grep pdftotext。在没有任何转换的情况下获取pdf并不是一种实际的方法，因为PDF它主要是二进制格式。

在目录中：

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

或在目录及其子目录中：

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

另外，由于某些pdf扫描是扫描的，因此它们首先必须是OCRed。我写了一种非常简单的方法来搜索所有无法grep编辑的pdf 并对其进行OCR。

我注意到，如果pdf文件没有任何字体，通常是无法搜索的。所以知道这一点我们可以使用pdffonts。

的前2行pdffonts是表格标题，因此，当文件可搜索时，输出多于两行，因此我们可以创建：

gedit check_pdf_searchable.sh

然后贴上

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

然后使其可执行

chmod +x check_pdf_searchable.sh

然后在目录中列出所有不可搜索的pdf：

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

或在目录及其子目录中：

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

如果您只想搜索pdf名称/属性...或未经压缩或编码的简单字符串，则strings可以使用以下方法

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

来自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

和cat --help：

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

如果您使用的是Gnome，则可能需要gpdf！如果您不使用Gnome，请选中此复选框。它具有CLI pdf查看器列表。然后，您可以使用它grep来找到一些模式。