複数のpdfファイルのコンテンツを検索する方法は？

ディレクトリ/サブディレクトリ内のPDFファイルのコンテンツを検索するにはどうすればよいですか？コマンドラインツールを探しています。grepPDFファイルを検索できないようです。

ディストリビューションには、次のユーティリティが必要ですpdftotext。

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

「-」は、pdftotextをファイルではなく標準出力に出力するために必要です。--with-filenameおよび--label=オプションのgrepの出力にファイル名を入れます。オプションの--colorフラグは便利で、端末で色を使用して出力するようにgrepに指示します。

（Ubuntuでは、pdftotextパッケージxpdf-utilsまたはによって提供されますpoppler-utils。）

pdftotextand を使用するこの方法は、サポートしていないGNUの機能を使用する場合よりもgrep優れていpdfgrepます。注：pdfgrep-1.3.xは、コンテキスト行を印刷するオプションをサポートしています。greppdfgrep-C

pdfgrepがあり、その名前が示すとおりに動作します。

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

私は単純な検索に使用しましたが、うまくいきました。

（Debian、Ubuntu、Fedoraにはパッケージがあります。）

バージョン1.3.0以降、pdfgrepは再帰検索をサポートしています。このバージョンは、Ubuntu 12.10（Quantal）以降のUbuntuで使用できます。

Recollは、PDFを含む数十の異なるフォーマットをサポートする、Unix / Linux向けの素晴らしい全文GUI検索アプリケーションです。クエリの正確なページ番号と検索語をドキュメントビューアに渡すこともできるため、GUIから直接結果にジャンプできます。

Recollには、実行可能なコマンドラインインターフェースとウェブブラウザインターフェースも付属しています。

実際のバージョンのpdfgrep（1.3.0）では、次のことが可能です。

pdfgrep -HiR 'pattern' /path

行うときpdfgrep --help：

• H：一致ごとにファイル名を出力します。
• i：大文字小文字の区別を無視します。
• R：ディレクトリを再帰的に検索します。

それは私のUbuntuでうまく動作します。

私はこの破壊的な小さなスクリプトを作りました。楽しんでください。

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
}

私は@sjrの答えが好きですが、xargsと-execの方が好きです。xargsの方が用途が広いと思います。たとえば、-Pを使用すると、意味のある複数のCPUを利用できます。

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

同じ問題が発生したため、指定したフォルダー内のすべてのPDFファイルで文字列を検索し、クエリ文字列に一致するPDFファイルを印刷するスクリプトを作成しました。

多分これはあなたに役立つでしょう。

ここからダウンロードできます

pdftotextでファイル名を表示したい場合は、次のコマンドを使用します。

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

ripgrep-allと呼ばれる別のユーティリティがあり、これはripgrepに基づいています。

OfficeドキュメントやムービーなどのPDFドキュメントだけでなく、それよりも高速であると著者は主張していますpdfgrep。

現在のディレクトリを再帰的に検索するためのコマンド構文、および2番目の構文はPDFファイルのみに制限します。

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

PDFファイル内だけでなく、アーカイブにネストされたコンテンツ、データベーステーブル、画像メタデータ、POMファイルの依存関係、Webリソースなどのリソースや、再帰検索を含むこれらの組み合わせなど、他のリソースも含む、オープンソースの共通リソースgrepツールcrgrepがあります。

[ファイル]タブの下の完全な説明は、ツールがサポートするものをほぼカバーしています。

オープンソースツールとしてcrgrepを開発しました。

まず、すべてのPDFファイルをテキストファイルに変換します。

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

その後grep、通常どおり使用します。これは、複数のクエリと多数のPDFファイルがある場合に高速であるため、特に優れています。

PDFをテキストファイルに変換してからテキスト内を検索するには、pdf2textなどのツールが必要です。（おそらくいくつかの情報や記号を見逃すでしょう）。

プログラミング言語を使用している場合、おそらくこの目的のために作成されたPDFライブラリがあります。例： Perlの場合はhttp://search.cpan.org/dist/CAM-PDF/

上記のような簡単なスクリプトで「acroread」を使用してみてください