☰

有没有办法在位于特定驱动器上的多个 pdf 文件中搜索（grep/find）特定单词？

tag-icon • tag-icon grep find pdf search pdfgrep
有没有办法在位于特定驱动器上的多个 pdf 文件中搜索（grep/find）特定单词？

我正在尝试查找保存在外部备份驱动器上的客户 pdf 文件，其中包含 8000 多个 pdf 文件和数百个文件夹。

例如，如果我想搜索驱动器 X: 上包含我的客户名称“Sequoia Group”的所有 pdf 文件，有哪些有用的命令行和/或工具来实现相关的输出结果？

我使用的是 MacOS High Sierra，带有 zsh，我还通过自制程序安装了 GNU grep、ack 和 pdfgrep。但是，我还没有找到该文件。

文件名未知，因为所有文件都保存为 PDF-Backup-0001、PDF-Backup-0002...等，

到目前为止，我使用了以下命令，但没有成功：

#grep -wirl "sequoia group" ./

#pdfgrep -iHncRZ "sequoia group"

#mdfind "sequoia group"

另外，建议使用此命令行，但是，我不确定在哪里放置名称，因此我将 /path 替换为驱动器的路径，并将模式替换为“sequoia”，仍然没有找到任何匹配项

#find /path -iname '*.pdf' -exec pdfgrep pattern {} + 
#find /Volumes/X Backup -iname '*.pdf' -exec pdfgrep "sequoia" {} +

答案1

啊，这怎么这么熟悉啊……

在搜索目录的根目录中打开一个终端，然后

pdfgrep -ril  "sequoia group" >matches 2>bad.files

这将递归地-r搜索所有 pdf 文件中的搜索词，不区分大小写-i，并且仅返回文件名，而不返回匹配的文本-l。

所有匹配的文件名都将写入名为 的文件matches，任何错误都将写入名为 的文件bad.files。

您matches可以将其复制到单独的目录以供参考。

while read f do; cp $f /wherever/I/want/$f; done < matches

它们bad.files要么已损坏，要么 OCR 不正确，因此您应该将它们复制到另一个目录，重新处理它们并再次搜索它们。

如果您急于使用，find因为您可能有等的变体pdf，PDF那么

find /search/root/ -iname *.pdf -exec pdfgrep -il "sequoia group" {} ';' >matches 2>bad.files

您在上面要求对此进行解释...find我认为您得到的命令pdfgrep在上面进行了解释，重定向也是如此>。

选项-exec获取命令find的输出find并将其放在您看到的位置{}。

最后-exec你会看到我已经放了，;而你已经放了+。

+导致-exec收集所有输出find并将其pdfgrep作为一长串参数传递给并运行 pdfgrep 一次。除非文件数量超过最大数量，否则工作正常。

;导致一次将-exec的输出提供find给一个文件。pdfgrep

后记。打开一些 pdf 文件，无论您用什么方式查看它们，并确保它们已经过 OCR 并且实际上是可搜索的。

如果不是，您可能需要从每个目录运行它

find /path/to/dir/ -maxdepth 1 -type f -iname "*.pdf" -print0 | while IFS= read -r -d $'\0' line; do pdfsandwich -lang eng "$line"; done

如果您可以让您的电脑专门处理所有 8,000 个文件，无论需要多长时间，那么只需删除-maxdepth 1并指向find您的搜索根目录即可。

答案2

首先，正如 @Motivated 在评论中询问的那样：PDF 是通过扫描纸质文档生成的还是通过某些程序（LibreOffice、Tex/LaTeX、MS Word 等）生成的？如果它们是扫描文档，那么这些方法将不是工作：您需要一个 OCR 程序将图像翻译成文本，然后您可以进行搜索。这可能是一个超出本答案范围的重大项目。在下文中，我假设这些 PDF 是由某些文字处理（或类似）程序生成的。特别是，pdfgrep假设可以有效地处理这些文件。

你需要两件事：

  • 一个程序，它将遍历目录层次结构，查找该层次结构中的所有匹配文件，并对找到的每个文件执行某些操作。就是这样find。例如，您可以说find /path/to/some/directory -type f -name 'PDF-Backup-*'并且find会找到所有常规文件（-type f），其名称以PDF-Backup- 任何地方在给定路径下/path/to/some/directory - 默认操作是打印找到的每个文件的路径名。

  • 一旦找到您感兴趣的所有文件，您需要一个程序来搜索每个文件中的给定字符串：pdfgrep将在这里工作（假设我们不属于上面讨论的扫描文件类别），但您想要给出它有一些选项：-i不区分大小写地搜索文件中的模式，因此pdfgrep -i sequia会找到sequoia, Sequioa,SEQUOIA等SeQuOiA，而不考虑大小写 - 这可能就是您想要的，除非您是真的确定它在文件中的拼写方式，并且与大小写无关的搜索会产生太多误报。您需要的另一个选项是-H：打印出找到匹配项的文件名[fn:1]。

现在您可以将两者结合起来：调用find来遍历层次结构，查找与条件匹配的所有文件，但不要让它对它使用默认操作（打印文件名）找到的每个文件进行操作，而是要求它执行不同的操作：在每个文件中搜索带有pdfgrep.您可以使用以下-exec选项来做到这一点find：

find /path/to/some/directory -type f -name 'PDF-Backup-*' -exec pdfgrep -i -H sequoia '{}' \;

语法有点晦涩：{}被调用中找到的每个文件替换pdfgrep，但由于大括号通常在 shell 中具有特殊含义，因此必须用引号引起来的大括号对。此外，;终止作为 参数的命令-exec，但它对 shell 也有特殊含义，并且必须用引号引起来 - 在本例中用单个反斜杠而不是两个引号，只是因为它更短。请确保完全按照所示内容输入这些内容。

[fn:1] 当搜索两个或多个文件时，文件名默认打印出来pdfgrep，但是当与上面最后一个项目符号结合pdfgrep使用时，会分别调用每个文件，因此默认情况下不打印文件名：这就是为什么是需要的。findpdfgrep-H

相关内容