正则表达式忽略换行符和“页面布局”

Question

我有各种各样可搜索的PDF文件，我经常使用pdfgrep命令同时搜索所有文件中的特定模式。我的正则表达式知识有限，我不确定如何解决换行符和页面布局。

例如，我想在下面的每个示例中找到模式"ignor.{0,10}layout"：

This is a rather difficult     You see, I would like to ignore
task that I am trying to       page layout and still find the
achieve.                       pattern I am looking for.

This is a rather difficult     This is because I would like to ig-
task that I am trying to       nore page layout and still find the
achieve.                       pattern I am looking for.

在两个示例中，我希望前两行由

报告

pdfgrep -n "ignor.{0,10}layout" *

但是这样做失败是因为：

• 中间有一个换行符。
• 在第一个示例中，ignor和layout之间有超过10个字符。
• 在第二个示例中，ignor被切成两半。

是否存在可以完全解决此问题的正则表达式？

Answer 1

pdfgrep没有将换行解释为零字节所必需的-z标志。您可以对pdftotext使用变通办法，该变通办法允许将其转换为文本并将其流式传输到STDOUT，您可以在其中通过常规的grep调用管道：

pdftotext SPECIFIC-FILE.pdf - | grep -Pzo "(?s)YOUR\s+QUERY"

这使得无法有效地使用glob，但是您至少可以迭代glob：

for pdf in *.pdf; do echo -n "$pdf:"; pdftotext "$pdf" - | grep -Pzo "(?s)YOUR\s+QUERY"; done

请注意，如果要匹配空白，启用\s+后，几乎总是要使用-z，它也与换行符匹配。有关标志的说明，请参见this other answer。