Início / unix / Perguntas / 785870
Accepted
Ronnie
Asked: 2024-10-31 00:37:21 +0800 CST

Encontrar o número de ocorrências de uma palavra em um arquivo PDF

  • 772

Dentro de uma pasta há muitas subpastas e dentro das subpastas há muitos arquivos PDF. Parece com isso abaixo:

+- SubfolderA
|  +- File1.pdf
|  +- File2.pdf
|
+- SubfolderB
|  +- File3.pdf
|  +- File4.pdf
|  +- file5.pdf
|
+- SubfolderC
   +- File6.pdf
   +- File7.pdf

Gostaria de descobrir o número de vezes que uma palavra específica, por exemplo, keywordxocorre nesses arquivos.

  • De preferência ignorando a exibição dos arquivos que têm 0 ocorrências.
  • E o ideal é mostrar a lista ordenada, com o arquivo com o número máximo de acessos exibido primeiro.
bash

2 respostas

  1. Best Answer

    Usando pdfgrepGNU awke assumindo que os caminhos de arquivo não contêm caracteres de nova linha:

    word="keywordx"
pdfgrep -rPc "\b\Q$word\E\b" | gawk -F: '
  $NF != 0 {hits[$0] = $NF}
  END{
    PROCINFO["sorted_in"] = "@val_num_desc"
    for (i in hits) print i
  }'
    • 2

  2. Se você tiver pdftotextinstalado (deve estar nos repositórios da maioria das distribuições Linux), você pode converter o arquivo PDF para texto, grep o padrão no arquivo de texto e então excluí-lo. Algo como isto (usando GNU greppara o -o):

    pattern="keywordx"
for file in */*.pdf; do 
  txt=${file%.pdf}.txt
  num=$(pdftotext -- "$file" 2>/dev/null && grep -o -- "$pattern" "$txt" | wc -l)
  rm -- "$txt"
  [ "$num" -gt 0 ] && printf '%s: %d\n' "$file" "$num"
done

    Ou, para incluir a classificação e também um erro se a conversão para texto não funcionar:

    pattern="keywordx"
for file in */*.pdf; do 
  txt=${file%.pdf}.txt
  if pdftotext -- "$file" 2>/dev/null; then
    num=$(grep -o -- "$pattern" "$txt" | wc -l)
    rm -- "$txt"
    [ "$num" -gt 0 ] && printf '%s: %d\n' "$file" "$num"
  else
    printf 'Failed to convert "%s" to text\n' "$file" >&2
  fi
done | sort -t: -nk2,2

    Observe que a classificação depende de os nomes dos arquivos não conterem :.

    Mas, na verdade, basta usar pdftotextcomo sugerido por Prabhjot Singh, é mais simples e melhor.

    • 1

relate perguntas