Question

我已经遵循了这个帖子的想法，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'

我肯定知道＆＃39;过滤器＆＃39;在本书中出现至少100次。

有什么想法吗？

Answer 1

如果您真的可以从PDF中获取给定字符串（您可以在渲染或打印的PDF页面上'看到并读取），即使在pdftotext的帮助下，那你一定很幸运。

首先：您提供给unix.stackexchange.com的链接中的大部分建议都是非常不明确的（最礼貌地说）。那里的大部分答案都是由那些不熟悉大量PDF变体的人写的。

在您的情况下，您首先尝试在pdftotext的帮助下转换文件，将输出流式传输到 stdout 。

有许多类型的PDF，其中pdftotext根本无法提取文本。原因可能是（以下列表未完成）：

您看到的“文字”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shell中。这可能会使页面出现成为文本字符串。
您看到的“文字”不是基于使用字体。它可能是一系列小的矢量图（或小光栅图像），只有看起来像我们的眼睛和大脑的文本字符串。

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（当某种字体不允许嵌入时）。
- 试图提取文本时设置障碍。
- PDF生成应用程序中的设置错误。
字体作为子集嵌入PDF文件中（通过PDF生成软件 - 用户通常无法控制此操作的详细信息）并使用''自定义'编码，但该文件未提供toUnicode表来将字形映射到字符。

'Glyphs'是屏幕上绘制的每种字体中明确定义的形状。字形映射到计算机的字符 - 我们的眼睛只是看到这些形状，我们的大脑将这些形状转换为字符，而不需要toUnicode表。像pdftotext这样的程序需要toUnicode表来反转字形转换回字符。

您可以使用名为pdffonts的命令行实用程序来初步了解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（以及对字符串进行grepping的方法）应该有效：

即使名为uni的列（告知PDF文件中是否嵌入了toUnicode地图）对于每种字体no说encoding列不包含custom，但是builtin（意味着字形文件提供了字形＆gt;字符映射，属于Type 1。

总结一下： 无法访问您的PDF文件，无法告诉您为什么不能“grep”找到您要查找的字符串！

如何用grep搜索我的PDF？

1 个答案: