Comment rechercher le contenu de plusieurs fichiers PDF ?

Question

Comment puis-je rechercher le contenu des fichiers PDF dans un répertoire/sous-répertoire ? Je cherche des outils en ligne de commande. Il semble que grep ne peut pas faire de recherche dans les fichiers PDF.

Answer 1

Il y a pdfgrep qui fait exactement ce que son nom suggère.

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

Je l'ai utilisé pour des recherches simples et cela a bien fonctionné.

(Il existe des paquets dans Debian, Ubuntu et Fedora).

Depuis la version 1.3.0 pdfgrep supporte la recherche récursive. Cette version est disponible dans Ubuntu depuis Ubuntu 12.10 (Quantal).

Answer 2

Votre distribution devrait fournir un utilitaire appelé pdftotext :

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

Le "-" est nécessaire pour que pdftotext sorte sur stdout, et non dans des fichiers. L'adresse --with-filename y --label= mettra le nom du fichier dans la sortie de grep. Les options --color est agréable et indique à grep d'utiliser les couleurs du terminal.

(Dans Ubuntu, pdftotext est fourni par le paquet xpdf-utils o poppler-utils .)

Cette méthode, qui utilise pdftotext y grep a un avantage sur pdfgrep si vous souhaitez utiliser les fonctionnalités de GNU grep que pdfgrep ne prend pas en charge. Nota : pdfgrep-1.3.x prend en charge -C option pour imprimer la ligne de contexte.

Answer 3

Recoll est une fantastique application de recherche plein texte GUI pour Unix/Linux qui prend en charge des dizaines de formats différents, y compris le PDF. Elle peut même transmettre le numéro de page exact et le terme de recherche d'une requête à la visionneuse de documents et vous permet ainsi d'accéder au résultat directement depuis son interface graphique.

Recoll est également doté d'une interface de ligne de commande viable et d'un logiciel de gestion des données. interface de navigateur web .

Answer 4

Ma version actuelle de pdfgrep (1.3.0) permet ce qui suit :

pdfgrep -HiR 'pattern' /path

En faisant pdfgrep --help :

• H : Imprimer le nom du fichier pour chaque correspondance.
• i : Ignorer les distinctions de cas.
• R : Recherche récursive dans les répertoires.

Il fonctionne bien sur mon Ubuntu.

Answer 5

J'ai fait ça destructeur petit script. Amusez-vous avec.

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
}