Início / unix / Perguntas / 513500
Accepted
Tim
Asked: 2019-04-20 18:15:53 +0800 CST

Podemos pesquisar em um arquivo pdf por páginas contendo várias palavras em nenhuma ordem específica?

  • 772

Eu gostaria de pesquisar em um arquivo pdf por todas as páginas, cada uma contendo várias palavras dadas em nenhuma ordem específica. Por exemplo, quero encontrar todas as páginas que contêm "hello" e "world" em nenhuma ordem específica.

Não tenho certeza se pdfgrep pode fazê-lo.

Estou tentando fazer algo semelhante a como podemos pesquisar várias palavras em um livro mostrado no Google Livros.

Obrigado.

search pdf

2 respostas

  1. Best Answer

    Sim, você pode fazer isso com asserções lookahead de largura zero, se você usar a -Popção (que permite usar o PCREmecanismo e regexps semelhantes a perl).

    $ pdfgrep -Pn '(?=.*process)(?=.*preparation)' ~/Str-Cmp.pdf
8:•     If a preparation process is used, the method used shall be declared.
10:Standard, preparation may be an important part of the ordering process. See Annex C for some examples of
38:padding. The preparation processing could move the original numerals (in order of occurrence) to the very

    O acima só funcionará se as duas palavras estiverem na mesma linha; se as palavras puderem ocorrer em linhas separadas da mesma página, o seguinte funcionará:

    $ pdfgrep -Pn '^(?s:(?=.*process)(?=.*preparation))' ~/Str-Cmp.pdf
8:ISO/IEC 14651:2007(E)
9:                                                                                                  ISO/IEC 14651:2007(E)
10:ISO/IEC 14651:2007(E)
12:ISO/IEC 14651:2007(E)
...

    O ssinalizador em (?s:significa que .também corresponderá a uma nova linha. Observe que isso imprimirá apenas a primeira linha da página; você pode ajustar isso com a -Aopção:

    $ pdfgrep -A4 -Pn '^(?s:(?=.*process)(?=.*preparation))' ~/Str-Cmp.pdf
8:ISO/IEC 14651:2007(E)
8-•     Any specific internal format for intermediate keys used when comparing, nor for the table used. The use of
8-      numeric keys is not mandated either.
8-•     A context-dependent ordering.
8-•     Any particular preparation of character strings prior to comparison.
--
9:                                                                                                  ISO/IEC 14651:2007(E)
...

    Um script wrapper bruto que imprimirá as linhas correspondentes a qualquer um dos padrões das páginas correspondentes a todos os padrões em qualquer ordem:

    usage: pdfgrepa [options] files ... -- patterns ...

    #! /bin/sh
r1= r2=
for a; do
        if [ "$r2" ]; then
                r1="$r1(?=.*$a)"; r2="$r2|$a"
        else
                case $a in
                --)     r2='(?=^--$)';;
                *)      set -- "$@" "$a";;
                esac
        fi
        shift
done
pdfgrep -A10000 -Pn "(?s:$r1)" "$@" | grep -P --color "$r2"

    $ pdfgrepa ~/Str-Cmp.pdf -i -- obtains process preparation 37- the strings after preparation are identical, and the end result (as the user would normally see it) could be 37- collation process applying the same rules. This kind of indeterminacy is undesirable. 37-one obtains after this preparation the following strings:

    • 3 
  2. pdfgrep -nP 'hello.{1,99}world|world.{1,99}hello' a.pdf

    https://pdfgrep.org/doc.html

    • 1

relate perguntas