Question

我想知道是否有办法使用shell脚本检查pdf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

正如Simon所指出的那样，您只需使用pdf将pdftotext转换为纯文本，然后只需搜索您要查找的内容。

转换后，您可以使用grep，bash正则表达式或任何您想要的变体：

while read line; do

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

done < <(pdftotext infile.pdf -)

Answer 2

这种方法可以逐页转换.pdf文件，因此可以更具体地定位搜索字符串$query的出现位置。

# 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 $p将要转换的范围限制为仅由数字$p标识的一个页面。 grep --color=always允许保护后续echo中的匹配要点。 fileid=""只是确保.pdf文档的文件名只打印一次以进行多次匹配。

Answer 3

PDF文档中的每个字母通常都是单独设置的。因此，您必须将.pdf转换为文本，这会将文本缩减为简单的流。

我会试试这个：

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

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

使用shell在pdf中查找字符串

3 个答案: