如何搜索多个PDF文件的内容？

有一个开源共享资源的grep工具crgrep，它可以在PDF文件以及其他资源中搜索，例如嵌套在档案中的内容、数据库表、图像元数据、POM文件依赖和Web资源，以及这些的组合，包括递归搜索。

文件选项卡下的完整描述几乎涵盖了该工具支持的内容。

我作为一个开源工具开发了crgrep。

你需要一些工具，如pdf2text，先将你的pdf转换为文本文件，然后在文本中搜索。（你可能会错过一些信息或符号）。

如果你正在使用编程语言，那么可能有专门用于此目的的pdf库。例如，Perl的http://search.cpan.org/dist/CAM-PDF/。

尝试在类似上面的简单脚本中使用“acroread”。

感谢这里提出的所有好主意！

我尝试了xargs方法，但正如在这里指出的那样，xargs会使包括打印实际文件名变得不可能（或非常困难）...

所以我尝试了用GNU parallel完成整个事情。

parallel "pdftotext -q {} - | grep --with-filename --label='['{}']' --color=always --context=5 'pattern'" ::: *.pdf

• 这将打印出不仅是模式，而且还有上下文中的5行（使用--context=5）。
• 使用-q，pdftotext将不会打印任何错误消息或警告（安静模式）。
• 我使用方括号[]作为标签，而不是花括号{}。如果您想要花括号，则--label='{'{}'}'可以实现。请注意，{}将被GNU parallel替换为实际文件名，例如'Example portable document file name with spaces.pdf'（{}已经使用单引号'）。
• 通过使用--label={}，只会打印文件名，这可能是显示文件名的首选方式。
• 我还注意到，当我尝试时，输出没有颜色，除非通过添加--color=always与grep强制执行。
• 对于不区分大小写的关键字搜索，可以在grep命令中添加--ignore-case。

如果应递归处理所有PDF文件，包括当前目录（.）中的所有子目录，则可以通过find来完成：

find . -type f -iname '*.pdf' -print0 | parallel -0 "pdftotext -q {} - | grep --with-filename --label='['{}']' --color=always --context=5 'pattern'"

• 使用 find 命令时，-iname '*.pdf' 不区分大小写，而 -name '*.pdf' 只包括小写 .pdf 文件（通常情况）。由于有时我也会遇到扩展名为大写 .PDF 的 Windows PDF 文件，所以我更倾向于使用 -iname。
• 上述命令也适用于 -print find 选项（而非 -print0），因此它将基于行（每行一个文件名），然后并行命令中必须省略 -0（NUL 分隔符）。
• 同样，在 grep 命令中包括 --ignore-case 将使搜索忽略大小写。

在整个命令行中玩耍时的一般建议是，使用 parallel --dry-run 将打印将要执行的命令。

$ find . -type f -iname '*.pdf' -print0 | parallel --dry-run -0 "pdftotext -q {} - | grep --with-filename --label='['{}']' --color=always --ignore-case --context=5 'pattern'"
pdftotext -q ./test PDF file 1.pdf - | grep --with-filename --label='['./test PDF file 1.pdf']' --color=always --ignore-case --context=5 'pattern'
pdftotext -q ./subdir1/test PDF file 2.pdf - | grep --with-filename --label='['./subdir1/test PDF file 2.pdf']' --color=always --ignore-case --context=5 'pattern'
pdftotext -q ./subdir2/test PDF file 3.pdf - | grep --with-filename --label='['./subdir2/test PDF file 3.pdf']' --color=always --ignore-case --context=5 'pattern'

使用pdfgrep。

pdfgrep -HinR 'FWCOSP' DatenModel/

在这个命令中，我正在文件夹DatenModel/中搜索单词FWCOSP。
如您在输出中所见，您可以获得带有行号的文件名：

我正在使用的选项是：

-i : Ignores, case for matching
-H : print the file name for each match
-n : prefix each match with the number of the page where it is found
-R : same as -r, but it also follows all symlinks.