¿Cómo puedo grep en archivos PDF?

¿Hay alguna manera de buscar archivos pdf usando el poder de grep, sin convertirlo primero a texto en Ubuntu?

Instale el paquete pdfgrep, luego use el comando:

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

——————

La forma más simple es

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

Si lo ha poppler-utilsinstalado (predeterminado en el escritorio de Ubuntu), puede "convertirlo" sobre la marcha y canalizarlo a grep:

pdftotext my.pdf - | grep 'pattern'

Esto no creará un archivo .txt.

pdfgrep fue escrito exactamente para este propósito y está disponible en Ubuntu.

Intenta ser principalmente compatible grepy, por lo tanto, proporciona "el poder de grep", solo especializado para archivos PDF. Eso incluye opciones comunes de grep, como --recursive, --ignore-caseo --color.

En contraste con pdftotext | grep, pdfgrep puede generar el número de página de una coincidencia de manera eficiente y generalmente es más rápido cuando no tiene que buscar en todo el documento (por ejemplo, --max-counto --quiet).

El uso básico es:

pdfgrep PATTERN FILE..

donde PATTERNestá su cadena de búsqueda y FILEuna lista de nombres de archivo (o comodines en un shell).

Vea la página de manual para más información.

No.

Un pdf consta de fragmentos de datos, algunos de ellos de texto, algunos de imágenes y algunos de ellos realmente mágicos XYZ (por ejemplo, archivos .u3d). Esos trozos se comprimen la mayoría de las veces (p. Ej. Plano, consulte http://www.verypdf.com/pdfinfoeditor/compression.htm ). Con el fin de 'grep' un .pdf que tiene para revertir la compresión también conocido como extraer el texto.

Puede hacerlo ya sea por archivo con herramientas tales como pdf2texty grep el resultado, o ejecutar un 'paso a paso' (mira xapian.org o Lucene ), que construye un índice de búsqueda de los archivos .pdf y luego se puede usar la búsqueda herramientas del motor de ese indexador para obtener el contenido del pdf.

Pero no, no puede greparchivos PDF y esperar respuestas confiables sin extraer primero el texto.

Recoll puede buscar archivos PDF. No admite expresiones regulares, pero tiene muchas otras opciones de búsqueda, por lo que puede satisfacer sus necesidades.

Puedes canalizarlo stringsprimero: -

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

Eche un vistazo al recurso común grep tool crgrep que admite búsquedas dentro de archivos PDF.

También permite buscar otros recursos como contenido anidado en archivos, tablas de bases de datos, metadatos de imágenes, dependencias de archivos POM y recursos web, y combinaciones de estos, incluida la búsqueda recursiva.

prueba esto

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

para imprimir las líneas el patrón ocurre dentro del pdf

cd a su carpeta que contiene su archivo pdf y luego ...

pdfgrep 'pattern' your.pdf

o si desea buscar en más de un solo archivo pdf (por ejemplo, en todos los archivos pdf de su carpeta)

pdfgrep 'pattern'  `ls *.pdf`

o

pdfgrep 'pattern' $(ls *.pdf)

Hay una pregunta duplicada en StackOverflow. La gente allí sugiere una variación de harish.venkarts responde:

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

La ventaja sobre la respuesta similar aquí es la --with-filenamebandera de grep. Esto es algo superior a pdfgrep también, porque el grep estándar tiene más características.

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

Aquí hay una secuencia de comandos rápida para buscar pdf en el directorio actual:

#!/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 \;

Supongo que quiere decir que tp no lo convierte en el disco, puede convertirlos stdouty luego grep pdftotext. Agitar el pdf sin ningún tipo de conversión no es un enfoque práctico, ya que PDFes principalmente un formato binario.

En el directorio:

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

o en el directorio y sus subdirectorios:

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

Además, debido a que algunos pdfson escaneos, primero deben ser OCR. Escribí una forma bastante simple de buscar todos los archivos PDF que no se pueden grepeditar y OCR.

Noté que si un pdfarchivo no tiene ninguna fuente, generalmente no se puede buscar. Entonces, sabiendo esto, podemos usarlo pdffonts.

Las primeras 2 líneas pdffontsson el encabezado de la tabla, por lo que cuando se puede buscar un archivo tiene más de dos líneas de salida, sabiendo esto podemos crear:

gedit check_pdf_searchable.sh

luego pegue esto

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

luego hazlo ejecutable

chmod +x check_pdf_searchable.sh

luego enumere todos los archivos PDF que no se pueden buscar en el directorio:

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

o en el directorio y sus subdirectorios:

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

Si solo desea buscar nombres / propiedades de pdf ... o cadenas simples que no están comprimidas o codificadas, en lugar de hacerlo strings, puede usar el siguiente

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

y cat --help:

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

¡gpdf podría ser lo que necesitas si estás usando Gnome! Comprueba esto en caso de que no estés usando Gnome. Tiene una lista de lectores PDF de CLI. Entonces puedes usar greppara encontrar algún patrón.