如何仅获取 pdf 文件中某个图案的页码，无论该图案是否为多行？

Question

我在 pdf 文件中找到多行图案的页码，方法是如何在 pdf 文件和文本文件中 grep 多行模式？和 如何在pdf文件中搜索字符串，并找到该字符串出现的每页的物理页码？

$ pdfgrep -Pn '(?s)image\s+?not\s+?available'  main_text.pdf 
49: image
   not
available
51: image
   not
available
53: image
   not
available
54: image
   not
available
55: image
   not
available

我只想提取页码，但因为模式是多行的，所以我得到

$ pdfgrep -Pn '(?s)image\s+?not\s+?available'  main_text.pdf | awk -F":" '{print $1}'
49
   not
available
51
   not
available
53
   not
available
54
   not
available
55
   not
available

代替

49
51
53
54
55

我想知道如何仅提取页码，而不管模式是否是多行的？谢谢。

Answer 1

这有点 hacky，但由于您已经使用了 perl 兼容的 RE，您可以使用\K“keep left”修饰符来匹配表达式中的所有内容（以及下一行结束之前的任何其他内容），但将其从输出中排除：

pdfgrep -Pn '(?s)image\s+?not\s+?available.*?$\K'  main_text.pdf

然而，输出仍将包含:分隔符。

Answer 2

添加$0~":"为 awk 识别器。即，您得到以下行：

 .... | awk -F":" '$0~":"{print $1}'

这样，只有当输入行中有“：”时才会打印输出，其他行将被丢弃。