Fatal编程技术网
  • pdf/
  • 如何使用grep搜索我的PDF？

如何使用grep搜索我的PDF？

pdf grep

如何使用grep搜索我的PDF？,pdf,grep,pdftotext,Pdf,Grep,Pdftotext,我遵循了这条线索的想法，但它不起作用。 我确信“过滤器”在这本书中至少出现了100次 有什么想法吗？如果你真的能从PDF中复制一个给定的字符串（你可以在呈现或打印的PDF页面上“看到”并阅读），即使在pdftotext的帮助下，那么你一定非常幸运 首先：从您提供给unix.stackexchange.com的链接中得到的大多数建议都是非常无知的（礼貌地说）。那里的大多数答案都是由那些不熟悉大量PDF变体的人写的 在本例中，您首先尝试在pdftotext的帮助下转换文件，将输出流式传输到stdo

我遵循了这条线索的想法，但它不起作用。

我确信“过滤器”在这本书中至少出现了100次

有什么想法吗？

如果你真的能从PDF中复制一个给定的字符串（你可以在呈现或打印的PDF页面上“看到”并阅读），即使在
pdftotext
的帮助下，那么你一定非常幸运

首先：从您提供给
unix.stackexchange.com
的链接中得到的大多数建议都是非常无知的（礼貌地说）。那里的大多数答案都是由那些不熟悉大量PDF变体的人写的

在本例中，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，
pdftotext
根本无法提取文本。原因可能是（以下列表不完整）：

  • 您看到的“文本”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文件外壳中。这可能会使页面仅显示为文本字符串

  • 您看到的“文本”不是基于使用字体。它可能是一系列小的矢量图（或小的光栅图像），在我们的眼睛和大脑看来只像文本字符串

    有许多软件应用程序将字体转换为所谓的“大纲”。这种看似奇怪的行为的原因可能是：

    • 避免许可问题（当某个字体不允许嵌入时）
    • 在试图提取文本时设置障碍
    • PDF生成应用程序中的意外错误设置。
  • 字体作为一个子集嵌入到PDF文件中（通过PDF生成软件——用户通常对该操作的细节没有太多控制权），并使用“自定义”编码，但该文件不提供将字形映射到字符的
    toUnicode
    表

    “Glyphs”是在屏幕上绘制的每个字体中定义良好的形状。字形映射到计算机中的字符——我们的眼睛只看到这些形状，我们的大脑将它们转换为字符，而不需要
    toUnicode
    表格。像
    pdftotext
    这样的程序需要
    toUnicode
    表来将字形翻译回字符

    • 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：

    在这种情况下，文本提取（以及对字符串进行灰显的方法）应该可以工作：

    • 即使名为
      uni
      的列（说明PDF文件中是否嵌入了
      toUnicode
      映射） 表示
      否
      对于每种字体，
      编码
      列不包含
      自定义
      ，而是
      内置的
      （这意味着字体文件提供了字形->字符映射，类型为
      类型1
      ）
    总而言之：如果您不能访问您的PDF文件，就不可能知道您为什么不能“grep”您正在寻找的字符串！

    如果您真的可以grep给定的字符串（您可以在呈现或打印的PDF页面上“看到”和阅读）从PDF来看，即使有
    pdftotext
    的帮助，你也一定非常幸运

    首先：您提供给unix.stackexchange.com的链接中的大多数建议都是非常无知的（礼貌地说）。那里的大多数答案显然是由不熟悉大量PDF变体的人写的

    在本例中，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，
    pdftotext
    根本无法提取文本。原因可能是（下面的列表不完整）：

  • 您看到的“文本”不是基于使用字体。它可能是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文件外壳中。这可能使页面看起来只是文本字符串

  • 您看到的“文本”不是基于使用字体，它可能是一系列小矢量图形（或小光栅图像），对我们的眼睛和大脑来说，它们看起来就像文本字符串

    有许多软件应用程序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：

    • 避免许可问题（当某个字体不允许嵌入时）
    • 在试图提取文本时设置障碍
    • PDF生成应用程序中的意外错误设置。
  • 字体作为一个子集嵌入到PDF文件中（通过PDF生成软件——用户通常对该操作的细节没有太多控制权），并使用“自定义”编码，但该文件不提供将字形映射到字符的
    toUnicode
    表

    “字形”是在屏幕上绘制的每个字体中定义良好的形状。字形映射到计算机的字符——我们的眼睛只看到这些形状，我们的大脑将它们转换为字符，而不需要
    toUnicode
    表格。像
    pdftotext
    这样的程序需要
    toUnicode
    表格来反转g的翻译莱弗斯回到了角色

    • 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：

    在这种情况下，文本提取（以及对字符串进行灰显的方法）应该可以工作：

    • 即使名为
      uni
      的列（说明PDF文件中是否嵌入了
      toUnicode
      映射） 对于每个字体，
      encoding
      列显示
      no
       pdftotext PercivalWalden.pdf - | grep 'Slepian'
 pdftotext PercivalWalden.pdf - | grep 'Naive'
 pdftotext PercivalWalden.pdf - | grep 'Filter'

      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