linux - 用shell在pdf中查找字符串

Question

我想知道是否有任何方法可以pdf使用 shell 脚本检查文件中是否有字符串？我正在寻找类似的东西：

if [search(string,pdf_file)] > 0 then  
   echo "exist"
fi

Answer 1

这种方法按页面转换 .pdf 文件，因此$query可以更具体地定位搜索字符串的出现。

# search for query string in available pdf files pagewise
for i in *.pdf; do
    pagenr=$(pdfinfo "$i" | grep "Pages" | grep -o "[0-9][0-9]*")
    fileid="\n$i\n"
    for (( p=1; p<=pagenr; p++ )); do
        matches=$(pdftotext -q -f $p -l $p "$i" - | grep --color=always -in "$query")
        if [ -n "$matches" ]; then
            echo -e "${fileid}PAGE: $p"
            echo "$matches"
            fileid=""
        fi
    done
done

pdftotext -f $p -l $p将要转换的范围限制为仅由数字标识的一页$p。grep --color=always允许在随后的echo. fileid=""只需确保 .pdf 文档的文件名仅针对多个匹配项打印一次。

Answer 2

正如 Simon 指出的那样，您可以pdf使用 简单地将 转换为纯文本pdftotext，然后搜索您要查找的内容。

转换后，您可以使用grep、 bash 正则表达式或您想要的任何变体：

while read line; do

    if [[ ${line} =~ [0-9]{4}(-[0-9]{2}){2} ]]; then
        echo ">>> Found date;";
    fi

done < <(pdftotext infile.pdf -)

Answer 3

PDF 文档中的每个字母通常是单独设置的。因此，您必须将 .pdf 转换为文本，这会将文本简化为简单的流。

我会试试这个：

grep -q 'a \+string' <(pdf2text some.pdf - | tr '\n' ' ') && echo exists

tr连接换行符。\+允许单词之间有 1 个或多个空格字符。最后，仅根据匹配grep -q返回退出状态。0/1它不打印匹配的行。