1

我遵循了这个线程的想法，但它不起作用。 https://unix.stackexchange.com/questions/6704/how-can-i-grep-in-pdf-files

 pdftotext PercivalWalden.pdf - | grep 'Slepian'
 pdftotext PercivalWalden.pdf - | grep 'Naive'
 pdftotext PercivalWalden.pdf - | grep 'Filter'

我确信“过滤器”在这本书中至少出现了 100 次。

有任何想法吗？

4

1 回答 1

6

如果您真的可以从 PDF 中 grep 给定字符串（您可以“看到”并在渲染或打印的 PDF 页面上阅读），即使在 的帮助下pdftotext，那么您一定非常幸运。

首先：您提供的链接中的大多数建议unix.stackexchange.com都非常不知情（最礼貌地说）。那里的大多数答案显然是由不熟悉大量 PDF 变体的人写的。

在您的情况下，您首先尝试转换文件，pdftotext将输出流式传输到stdout。

有许多类型的 PDFpdftotext根本无法提取文本。造成这种情况的原因可能是（以下列表不完整）：

  1. 您看到的“文本”不是基于使用字体。它可能是由扫描或其他生产过程生成的一个大光栅图像，然后嵌入到 PDF 文件外壳中。这可能会使页面看起来只是文本字符串。

  2. 您看到的“文本”不是基于使用字体。它可能是一系列小的矢量图（或小的光栅图像），在我们的眼睛和大脑看来只是文本字符串。

    有许多软件应用程序可以将字体转换为所谓的“轮廓”。这种看似奇怪的行为的原因可能是：

    • 规避许可问题（当某种字体不允许其嵌入时）。
    • 对提取文本的尝试施加障碍。
    • PDF 生成应用程序中的意外设置错误。
       

  3. 字体作为子集嵌入在 PDF 文件中（由 PDF 生成软件——用户通常对此操作的细节没有太多控制）并使用“自定义”编码，但文件不提供toUnicode表格将字形映射到字符。

    “字形”是在屏幕上绘制的每种字体中定义明确的形状。字形映射到计算机的字符——我们的眼睛只看到这些形状，我们的大脑将这些转换为字符而不需要toUnicode表格。像这样的程序pdftotext需要一个toUnicode表格来将字形转换回字符。

您可以使用名为的命令行实用程序pdffonts来初步了解 PDF 文件使用的字体。示例输出：

pdffonts paper-projectiris---final.pdf 

 name                       type         encoding       emb sub uni object ID
 -------------------------- ------------ -------------- --- --- --- ---------
 TCQJEF+CMCSC10             Type 1       Builtin        yes yes no      96  0
 VPAFLY+CMBX12              Type 1       Builtin        yes yes no      97  0
 CWAIXW+CMTI12              Type 1       Builtin        yes yes no      98  0
 OBMDLT+CMR12               Type 1       Builtin        yes yes no      99  0

在这种情况下，文本提取（以及您对字符串的 grepping 方法）应该可以工作：

  • 即使名为的列uni（告诉toUnicodePDF 文件中是否嵌入了映射）说明no了每种字体，但该encoding列不包含custom, 但是builtin（意味着字体文件提供了字形->字符映射，其类型为Type 1.

总结一下：如果无法访问您的 PDF 文件，就不可能知道为什么您不能“grep”您正在寻找的字符串！

于 2015-01-13T17:22:21.133 回答