如何在 PDF 文件中使用 grep？

Question

有没有办法使用 grep 搜索 PDF 文件，而无需先在 Ubuntu 中转换为文本？

Answer 1

安装包pdfgrep，然后使用命令：

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

——————

最简单的方法：

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

Answer 2

如果您已poppler-utils安装（Ubuntu 桌面上的默认设置），您可以即时“转换”它并将其通过管道传输到grep：

pdftotext my.pdf - | grep 'pattern'

这不会创建 .txt 文件。

Answer 3

pdfgrep正是为此目的而编写的，并且在 Ubuntu 中可用。

它试图与大多数兼容grep并因此提供“grep 的力量”，专门用于 PDF。这包括常见的 grep 选项，例如--recursive,--ignore-case或--color。

与此相反pdftotext | grep，pdfgrep可以输出匹配的页面数在性能方法，一般要快，当它没有搜索整个文档（如--max-count或--quiet）。

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，请参阅联机帮助页。

Answer 4

不。

pdf 由数据块组成，其中一些是文本，一些是图片，还有一些是非常神奇的 XYZ（例如 .u3d 文件）。这些块大部分时间都是压缩的（例如，扁平，检查http://www.verypdf.com/pdfinfoeditor/compression.htm）。为了“grep”一个.pdf，你必须反转压缩，也就是提取文本。

您可以使用诸如pdf2text和 grep 结果之类的工具对每个文件执行此操作，也可以运行“索引器”（查看xapian.org或lucene），它会从 .pdf 文件中构建可搜索的索引，然后您可以使用搜索该索引器的引擎工具来获取pdf的内容。

但是不，您不能grep先提取文本，就不能pdf 文件并希望得到可靠的答案。

Answer 5

Recoll可以搜索 PDF。它不支持正则表达式，但它有许多其他搜索选项，因此它可能适合您的需求。

Answer 6

StackOverflow 上有一个重复的问题。那里的人提出了 harish.venkarts 答案的变体：

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

与这里的类似答案相比，这里的优势是--with-filenamegrep的标志。这在某种程度上也优于 pdfgrep，因为标准 grep 具有更多功能。

/sf/ask/325040691/

Answer 7

查看支持在 PDF 文件中搜索的常用资源 grep 工具crgrep。

它还允许搜索其他资源，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——以及这些的组合，包括递归搜索。