如何使用 grep 搜索我的 PDF？

Question

我遵循了此线程中的想法，但它不起作用。 https://unix.stackexchange.com/questions/6704/how-can-i-grep-in-pdf-files

 pdftotext PercivalWalden.pdf - | grep 'Slepian'
 pdftotext PercivalWalden.pdf - | grep 'Naive'
 pdftotext PercivalWalden.pdf - | grep 'Filter'

我确定 'Filter' 在本书中至少出现了 100 次。

有什么想法吗？

Answer 1

如果您真的可以从 PDF 中 grep 一个给定的字符串（您可以 'see' 并在渲染或打印的 PDF 页面上阅读），即使有帮助pdftotext，那你一定很幸运。

首先：您提供给 unix.stackexchange.com 的 link 的大部分建议都非常无知（最客气地说）。那里的大部分答案显然是由不熟悉那里大量 PDF 变体的人写的。

在您的情况下，您首先尝试在 pdftotext 的帮助下转换文件，将输出流式传输到 stdout.

有很多类型的 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"text"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大光栅图像，然后嵌入到 PDF 文件中 shell。这可能会使页面仅显示为文本字符串。
您看到的"text"不是基于使用字体。它可能是一系列小型矢量绘图（或小型光栅图像），在我们的眼睛和大脑看来看起来像文本字符串。

有很多软件应用程序可以将字体转换为所谓的 'outlines'。这种看似奇怪的行为的原因可能是：
- 规避许可问题（当某种字体不允许其嵌入时）。
- 对提取文本的尝试施加障碍。
- PDF 生成应用程序中的意外错误设置。
字体作为子集嵌入到PDF文件中（通过PDF生成软件——用户通常无法控制细节此操作）并使用 'custom' 编码，但文件未提供 toUnicode table 将字形映射到字符.

'Glyphs' 是在屏幕上绘制的每种字体中明确定义的形状。字形映射到计算机的字符——我们的眼睛仅看到这些形状，我们的大脑将这些形状转换为字符，而不需要 toUnicode table。 pdftotext 等程序需要 toUnicode table 将字形转换回字符。

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：

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

在这种情况下，文本提取（以及您的 grepping 字符串方法）应该有效：

即使名为 uni 的列（告诉 PDF 文件中是否嵌入了 toUnicode 地图）对每种字体说 no，encoding 列不包含 custom，但包含 builtin（意味着字形->字符映射随字体文件一起提供，这类型为 Type 1.

总结一下： 如果无法访问您的 PDF 文件，就无法解释为什么您不能 "grep"您正在寻找的字符串！

如何使用 grep 搜索我的 PDF？

How to search my PDF with grep?

pdf

grep

pdftotext