PDFファイルでgrepを実行するにはどうすればよいですか？

Ubuntuで最初にテキストに変換せずに、grepの力を使用してpdfファイルを検索する方法はありますか？

パッケージをインストールしてからpdfgrep、次のコマンドを使用します。

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

——————

簡単な方法は

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

poppler-utilsインストール済みの場合（Ubuntuデスクトップのデフォルト）、その場で「変換」してパイプすることができますgrep：

pdftotext my.pdf - | grep 'pattern'

これは.txtファイルを作成しません。

pdfgrepはまさにこの目的のために書かれており、Ubuntuで利用可能です。

ほとんど互換性を保とうとするgrepため、PDF専用の「grepの力」を提供します。それは、次のような一般的なgrepのオプションが含まれ--recursive、--ignore-caseまたは--color。

対照的にpdftotext | grep、pdfgrepは一致するページ番号をパフォーマンスの高い方法で出力でき、ドキュメント全体（--max-countまたは--quiet）を検索する必要がない場合は一般に高速です。

基本的な使用法は次のとおりです。

pdfgrep PATTERN FILE..

どこにPATTERN検索文字列とFILEファイル名のリスト（またはシェルのワイルドカード）があります。

詳細については、マンページを参照してください。

番号。

pdfはデータのチャンクで構成され、その一部はテキスト、一部は画像、一部は本当に魔法の派手なXYZ（例：.u3dファイル）です。これらのチャンクはほとんどの場合圧縮されています（たとえば、フラット、http： //www.verypdf.com/pdfinfoeditor/compression.htmを確認してください）。「grepの」.PDFするために、あなたは持っている圧縮別名逆テキストを抽出します。

あなたは、以下のようなツールを使用して、ファイルごとのいずれかのことを行うことができpdf2text、その結果をgrepするか、「インデクサー」を実行すると、（見xapian.orgまたはLuceneの）あなたの.pdfファイルのうち、検索可能なインデックスを構築して、検索を使用することができましたPDFのコンテンツを取得するためのインデクサーのエンジンツール。

しかし、いや、grep最初にテキストを抽出せずにPDFファイルを作成し、信頼できる回答を期待することはできません。

RecollはPDFを検索できます。正規表現はサポートしていませんが、他の多くの検索オプションがあるため、ニーズに合うかもしれません。

あなたはstrings最初にそれをパイプすることができます：-

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

PDFファイル内の検索をサポートする共通リソースgrepツールcrgrepをご覧ください。

また、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、イメージメタデータ、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を検索できます。

これを試して

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

行を印刷するために、パターンはpdf内で発生します

pdfファイルを含むフォルダーにcdしてから..

pdfgrep 'pattern' your.pdf

または、複数のpdfファイル（たとえば、フォルダー内のすべてのpdfファイル）で検索する場合

pdfgrep 'pattern'  `ls *.pdf`

または

pdfgrep 'pattern' $(ls *.pdf)

StackOverflowには重複した質問があります。そこの人々は、harish.venkartsの回答のバリエーションを提案しています。

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

ここでの同様の答えに対する利点は、--with-filenamegrep のフラグです。標準のgrepにはより多くの機能があるため、これはpdfgrepよりもいくらか優れています。

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

以下は、現在のディレクトリにある検索pdfの簡単なスクリプトです。

#!/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 \;

tpはディスク上で変換せずstdout、に変換してからでgrepできるということpdftotextです。PDFほとんどの場合、バイナリ形式であるため、変換を行わずにPDFをグレープすることは実用的なアプローチではありません。

ディレクトリ内：

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

またはディレクトリとそのサブディレクトリ内：

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

また、一部pdfはスキャンであるため、最初にOCRedにする必要があります。grep編集できないすべてのpdfを検索してOCRする非常に簡単な方法を書きました。

pdfファイルにフォントがない場合、通常は検索できません。これを知っているので使用できますpdffonts。

の最初の2行はpdffontsテーブルヘッダーです。したがって、ファイルが検索可能な場合、2行以上の出力があり、これを作成できることを知っています。

gedit check_pdf_searchable.sh

これを貼り付けます

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

実行可能にする

chmod +x check_pdf_searchable.sh

次に、ディレクトリ内のすべての検索不可PDFをリストします。

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

またはディレクトリとそのサブディレクトリ内：

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

pdf名/プロパティ...または圧縮またはエンコードされていない単純な文字列を検索するstrings場合は、代わりに以下を使用できます

grep -a STRING file.pdf
cat -v file.pdf | grep STRING

から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

およびcat --help：

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

Gnomeを使用している場合、gpdfが必要な場合があります。Gnomeを使用していない場合は、これを確認してください。CLI pdfビューアーのリストがあります。次にgrep、いくつかのパターンを見つけるために使用できます。