Jak wyszukiwać zawartość wielu plików pdf?

Istnieje pdfgrep, który robi dokładnie to, co sugeruje jego nazwa.

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

Użyłem go do prostych wyszukiwań i działało dobrze.

(istnieją pakiety w Debianie, Ubuntu i Fedorze.)

Od wersji 1.3.0 pdfgrep obsługuje wyszukiwanie rekurencyjne. Ta wersja jest dostępna w Ubuntu od Ubuntu 12.10 (Quantal).

Recoll to fantastyczna pełnotekstowa aplikacja do wyszukiwania GUI dla systemu Unix/Linux, która obsługuje dziesiątki różnych formatów, w tym PDF. Może nawet przekazać dokładny numer strony i wyszukiwany termin zapytania do przeglądarki dokumentów, a tym samym pozwala przejść do wyniku bezpośrednio z GUI.

Recoll jest również wyposażony w wydajny interfejs wiersza poleceń i interfejs przeglądarki internetowej .

Moja aktualna wersja pdfgrep (1.3.0) pozwala na:

pdfgrep -HiR 'pattern' /path

Podczas wykonywania pdfgrep --help:

• H: wyświetla nazwę pliku dla każdego dopasowania.
• i: Ignoruj rozróżnienia przypadków.
• R: rekurencyjnie przeszukuje katalogi.

Zrobiłem ten destrukcyjny mały skrypt. Baw się dobrze.

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
}

Miałem ten sam problem i dlatego napisałem skrypt, który przeszukuje wszystkie pliki pdf w podanym folderze w poszukiwaniu ciągu i drukuje pliki PDF pasujące do ciągu zapytania.

Może to ci pomoże.

Możesz go pobrać tutaj

Jeśli chcesz zobaczyć nazwy plików za pomocą pdftotext Użyj następującego polecenia:

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

Podoba mi się odpowiedź @sjr jednak wolę xargs vs-exec. Uważam, że xargs jest bardziej wszechstronny. Na przykład za pomocą-P możemy skorzystać z wielu procesorów, gdy ma to sens.

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

Istnieje narzędzie open source common resource grep crgrep , które przeszukuje pliki PDF, ale także inne zasoby, takie jak zawartość zagnieżdżona w archiwach, tabele baz danych, metadane obrazów, zależności plików POM i zasoby internetowe-i ich kombinacje, w tym Wyszukiwanie rekurencyjne.

Pełny opis w zakładce Pliki prawie obejmuje to, co narzędzie obsługuje.

Stworzyłem crgrep jako narzędzie opensource.

Najpierw przekonwertuj wszystkie pliki pdf na pliki tekstowe:

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

Następnie użyj grep Jak zwykle. Jest to szczególnie dobre, ponieważ jest szybkie, gdy masz wiele zapytań i wiele plików PDF.

Potrzebujesz narzędzi, takich jak pdf2text, aby najpierw przekonwertować plik pdf na plik tekstowy, a następnie wyszukać wewnątrz tekstu. (Prawdopodobnie przegapisz jakieś informacje lub symbole).

Jeśli używasz języka programowania, prawdopodobnie istnieją biblioteki pdf napisane w tym celu. np. http://search.cpan.org/dist/CAM-PDF / dla Perla

Spróbuj użyć 'acroread' w prostym skrypcie jak ten powyżej