当我找到多个 pdf 文件、xarg pdftotext 和 grep 模式时，文件名丢失

Posted 2023-02-24

【中文标题】当我找到多个 pdf 文件、xarg pdftotext 和 grep 模式时，文件名丢失

【英文标题】：Filenames are lost when I find multiple pdf files, xarg pdftotext, and grep pattern

【发布时间】：2015-07-01 20:59:17

【问题描述】：

我想制作一个用于在 pdf 文件中搜索模式的 shell 脚本（让它们成为我自己的语料库！！）

我从这里偷了下面的sn-p

How to search contents of multiple pdf files?

find /path/to/folder -name '*.pdf' | xargs -P 6 -I % pdftotext % - | grep -C1 --color "pattern"

输出看起来像这样

--
--
small deviation of γ from the average value  0.33 triggers
a qualitative difference in the evolution pattern, even if the

我可以用这个命令打印文件名吗？

它不必是“单线”。

谢谢。

【问题讨论】：

管道不行，你必须写一些循环。

【参考方案1】：

不多。只需将命令拆分为一个循环即可。

find /path/to/folder -name '*.pdf' | while read file
do
echo "$file"
pdftotext "$file" | grep -C1 --color "pattern" && echo "$file"
done

编辑：我刚刚注意到该示例包含一个并行 xargs 命令。这不是不可能循环解决的。您可以将 pdftotext & grep 命令写入 function 然后使用 xargs

EDIT2：仅在匹配时打印文件

它可能看起来像这样：

#!/bin/bash

files=$(find /path/to/folder -name '*.pdf')

function PDFtoText


file="$1"

if [ "$#" -ne "1" ]
then
    echo "Invalid number of input arguments"
    exit 1
fi

pdftotext "$file" | grep -C1 --color "pattern" && echo "$file"


export -f PDFtoText


printf "%s\n" $files[@] | xargs -n1 -P 6 -I '' bash -c 'PDFtoText "$@" || exit 255' arg0 

if [[ $? -ne 0 ]]
then
exit 1
fi

【讨论】：

试过了，它会打印出所有文件名。我可以打印至少有一个匹配项的文件吗？

是的，这很好。 grep 之后的一个简单 && 命令可以做到这一点。已编辑。

【参考方案2】：

为什么不使用类似的东西

find /path/to/folder/ -type f -name '*.pdf' -print0 | \
  xargs -0 -I \
  sh -c 'echo "===== file: "; pdftotext "" - | grep -C1 --color "pattern"'

它总是打印文件名。你认为这是一个可以接受的妥协吗？否则，echo 部分可以移动到 grep 之后，并按照之前的建议使用 &&。

我更喜欢将-print0 与-0 结合使用来处理带有空格的文件名。

我会删除 -P6 选项，因为 6 个并行进程的输出可能会混合。