Grep 显示二进制文件的文件名和找到的行 (PDF)答案

【问题标题】：Grep show filename and found line for binary files (PDF)Grep 显示二进制文件的文件名和找到的行 (PDF)
【发布时间】：2018-06-26 00:48:45
【问题描述】：

我有一个包含大量 PDF 文件的文件夹。我需要获取匹配内容文件的文件名以及其中的特定文本 - Rotate 270，它定义了页面旋转。 Grep 的参数 anH 或 /dev/null 方法似乎不起作用，pdftotext 或 pdfgrep 也没有帮助，因为它不是我需要的页面上的任何可见或可搜索文本。我可以得到“二进制文件 aaa.pdf 匹配”或这样的行（这不是页面上可见的文本！）：

<</Filter/FlateDecode/Length 61>>stream4 595.19995]/MediaBox[0 0 841.92004 595.19995]/Parent 5 0 R/Resources<</ProcSet[/PDF/Text/ImageB/ImageC/ImageI]/XObject<</img3 11 0 R>>>>/Rotate 270/Type/Page>>

怀疑有一种方法可以在 grep 获取它们之前释放不可打印的字节，或者在 grep 部分之前拆分文件名并在 grep 找到该行后重新组装，或者 sed 有一个简单的方法来实现这一点？

如何获取文件名和找到的行，类似于 grep 在常规文本文件中所做的那样？

【问题讨论】：

我不清楚您到底在问什么，但如果您想对 PDF 文件执行 grep，请查看 pdfgrep。（在类似 Debian 的系统上，您可以使用 apt-get install pdfgrep 安装它。）
我知道 pdfgrep，它是用于其他目的。我不需要在 PDF 文档的页面上搜索可见（甚至可搜索）文本。我需要搜索要在文档上显示的对象的定义、页面定义、字体定义、图像定义等。
我认为您相信您在使用适当的查看器查看 PDF 时看到的文本存储“与常规文本文件大致相同”，以解释您的问题。 事实并非如此。纯文本可以在压缩对象中，使用一组标准编码中的任何一种进行编码加上调整，并存储在不同的部分中，交错使用绘图命令。
.. 也就是说，这令人困惑：“.. 其中的特定文本 - 旋转 270，它定义了页面旋转..”然后你声明你可以查找文本“不是页面上可见的文本”。文本“Rotate 270”在页面上也不可见。或者，如果是，那么它不是 PDF 指令，而只是纯文本。
看看这篇文章：stackoverflow.com/a/29474423/501196 也许你可以将其中一个工具与 grep 结合起来。压缩对象流对于做你想做的事将是一个挑战。也许其中之一将允许您将所有二进制流编码为 Ascii85decode 或类似

标签： linux bash pdf grep binary

【解决方案1】：

我没有包含该字符串的 pdf 文件，但您可以尝试

identify -verbose somefile.pdf | grep 'Rotate 270'

identify 是 ImageMagick 包的一部分。

你也可以试试蛮力方法:-)

strings somefile.pdf | grep 'Rotatae 270'

【讨论】：

它不会给出必要的结果 - 匹配文件名和与 Rotate 270 所在的所有其他参数的确切行；需要看看 Rotate 270 是如何应用的。而且 ImageMagick 的依赖关系有点重，因为它只是在无头机器上获得如此简单的结果。然后来自 poppler utils 的 pdfinfo 会更轻一些。不过，谢谢，当我需要在同一台机器上进行更繁重的图像分析时，我会考虑它。
@uldics 用另一个选项更新了答案。