如何搜索多个pdf文件的内容？

12 回答

• 7

  您需要一些工具，如pdf2text，首先将您的PDF转换为文本文件，然后在文本内搜索 . （您可能会遗漏一些信息或符号） .

  如果您使用的是编程语言，可能会为此目的编写pdf库 . 例如http://search.cpan.org/dist/CAM-PDF/ for Perl

  回复于 2024-04-30T23:16:23+08:00
• 176

  尝试在如上所述的简单脚本中使用'acroread'

  回复于 2024-04-30T23:16:23+08:00
• -1

  有一个开源公共资源grep工具crgrep，它可以在PDF文件中搜索，也可以搜索其他资源，例如嵌套在存档，数据库表，图像元数据，POM文件依赖项和Web资源中的内容 - 以及这些资源的组合，包括递归搜索 .

  “文件”选项卡下的完整描述几乎涵盖了该工具支持的内容 .

  我开发了crgrep作为开源工具 .

  回复于 2024-04-30T23:16:23+08:00
• 2

  首先将所有pdf文件转换为文本文件：

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

  然后正常使用 grep . 这是特别好的，因为当您有多个查询和大量PDF文件时它很快 .

  回复于 2024-04-30T23:16:23+08:00
• 11

  您的发行版应提供名为 pdftotext 的实用程序：

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

  "-"是将pdftotext输出到stdout而不是文件的必要条件 . --with-filename 和 --label= 选项将文件名放在grep的输出中 . 可选的 --color 标志很好，告诉grep使用终端上的颜色输出 .

  （在Ubuntu中， pdftotext 由包 xpdf-utils 或 poppler-utils 提供 . ）

  如果您想使用 pdfgrep 不支持的GNU grep 功能，则此方法使用 pdftotext 和 grep 优于 pdfgrep . Note ：pdfgrep-1.3.x支持 -C 选项以打印上下文行 .

  回复于 2024-04-30T23:16:23+08:00
• 2

  有pdfgrep，它正如它的名字所暗示的那样 .

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

  我用它进行简单搜索，效果很好 .

  （Debian，Ubuntu和Fedora都有软件包 . ）

  从版本1.3.0 pdfgrep支持递归搜索 . 自Ubuntu 12.10（Quantal）以来，这个版本在Ubuntu中可用 .

  回复于 2024-04-30T23:16:23+08:00
• 23

  Recoll是一个非常出色的Unix / Linux全文GUI搜索应用程序，支持许多不同的格式，包括PDF . 它甚至可以将查询的确切页码和搜索项传递给文档查看器，从而允许您直接从其GUI跳转到结果 .

  Recoll还带有可行的命令行界面和web-browser interface .

  回复于 2024-04-30T23:16:23+08:00
• 181

  我的pdfgrep（1.3.0）的实际版本允许以下内容：

  pdfgrep -HiR 'pattern' /path
  

  在做 pdfgrep --help 时：

  • H：打印每场比赛的文件名 .

  • i：忽略案件区别 .

  • R：递归搜索目录 .

  它在我的Ubuntu上运行良好 .

  回复于 2024-04-30T23:16:23+08:00
• 0

  我做了这个 destructive 小脚本 . 玩得开心 .

  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
  }
  

  回复于 2024-04-30T23:16:23+08:00
• 1

  我有同样的问题，因此我写了一个脚本，搜索指定文件夹中的所有pdf文件的字符串，并打印与查询字符串匹配的PDF文件 .

  也许这会对你有所帮助 .

  你可以下载here

  回复于 2024-04-30T23:16:23+08:00
• 2

  如果要使用 pdftotext 查看文件名，请使用以下命令：

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

  回复于 2024-04-30T23:16:23+08:00
• 1

  我喜欢@ sjr的答案，但我更喜欢xargs vs -exec . 我发现xargs更加通用 . 例如，使用-P，我们可以在有意义的情况下利用多个CPU .

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

  回复于 2024-04-30T23:16:23+08:00