¿Cómo buscar contenidos de múltiples archivos pdf?

¿Cómo podría buscar el contenido de los archivos PDF en un directorio / subdirectorio? Estoy buscando algunas herramientas de línea de comandos. Parece que grepno puede buscar archivos PDF.

Su distribución debe proporcionar una utilidad llamada pdftotext:

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

El "-" es necesario para tener salida de pdftotext a stdout, no a archivos. Las opciones --with-filenamey --label=colocarán el nombre del archivo en la salida de grep. La --colorbandera opcional es agradable y le dice a grep que salga usando colores en la terminal.

(En Ubuntu, pdftotextes proporcionado por el paquete xpdf-utilso poppler-utils.)

Este método, el uso de pdftotexty grep, tiene una ventaja sobre pdfgrepsi desea utilizar características de GNU grepque pdfgrepno son compatibles. Nota : pdfgrep-1.3.x admite la -Copción para imprimir la línea de contexto.

Hay pdfgrep , que hace exactamente lo que sugiere su nombre.

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

Lo he usado para búsquedas simples y funcionó bien.

(Hay paquetes en Debian, Ubuntu y Fedora).

Desde la versión 1.3.0, pdfgrep admite la búsqueda recursiva. Esta versión está disponible en Ubuntu desde Ubuntu 12.10 (Quantal).

Recoll es una fantástica aplicación de búsqueda de GUI de texto completo para Unix / Linux que admite docenas de formatos diferentes, incluido PDF. Incluso puede pasar el número de página exacto y el término de búsqueda de una consulta al visor de documentos y, por lo tanto, le permite saltar directamente al resultado desde su GUI.

Recoll también viene con una interfaz de línea de comandos viable y una interfaz de navegador web .

Mi versión real de pdfgrep (1.3.0) permite lo siguiente:

pdfgrep -HiR 'pattern' /path

Al hacer pdfgrep --help:

• H: Imprima el nombre del archivo para cada coincidencia.
• i: Ignorar las distinciones de casos.
• R: Buscar directorios de forma recursiva.

Funciona bien en mi Ubuntu.

Hice este pequeño guión destructivo . Diviértete con eso.

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
}

Me gusta la respuesta de @ sjr, sin embargo, prefiero xargs vs -exec. Me parece que los xargs son más versátiles. Por ejemplo, con -P podemos aprovechar múltiples CPU cuando tenga sentido hacerlo.

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

Tuve el mismo problema y, por lo tanto, escribí un script que busca una cadena en todos los archivos pdf en la carpeta especificada e imprime los archivos PDF que coinciden con la cadena de consulta.

Tal vez esto te sea útil.

Puedes descargarlo aquí

Si desea ver los nombres de archivo con pdftotext, use el siguiente comando:

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

Hay otra utilidad llamada ripgrep-all , que se basa en ripgrep .

Puede manejar más que solo documentos PDF, como documentos de Office y películas, y el autor afirma que es más rápido que pdfgrep.

Sintaxis del comando para buscar de forma recursiva el directorio actual, y el segundo se limita a los archivos PDF solamente:

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

Hay un recurso común de herramientas de código abierto grep crgrep el que las búsquedas dentro de los archivos PDF, sino también otros recursos como el contenido de anidar en los archivos de bases de datos, tablas, imagen meta-datos, dependencias de archivo POM y recursos web - y las combinaciones de éstos incluyendo la búsqueda recursiva.

La descripción completa en la pestaña Archivos cubre más o menos lo que la herramienta admite.

Desarrollé crgrep como una herramienta de código abierto.

Primero convierta todos sus archivos pdf a archivos de texto:

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

Luego utilícelo grepcomo de costumbre. Esto es especialmente bueno, ya que es rápido cuando tiene múltiples consultas y muchos archivos PDF.

Necesita algunas herramientas como pdf2text para convertir primero su pdf a un archivo de texto y luego buscar dentro del texto. (Probablemente perderá alguna información o símbolos).

Si está utilizando un lenguaje de programación, probablemente haya bibliotecas pdf escritas para este propósito. Por ejemplo, http://search.cpan.org/dist/CAM-PDF/ para Perl

intente usar 'acroread' en un script simple como el anterior