pdfgrep

15.6.2009 18:47 | | poslední úprava: 16.6.2009 16:43

Konec procházení přednáškových slidů :). Trochu upravená verze z http://blog.rompe.org/pdfgrep.

#!/bin/sh
# 2004-06-22 Ulf Rompe

if [[ $# -lt 2 ]]; then
    echo 'Syntax: pdfgrep [grep options] <pattern> <file> [file ...]'
    exit 1
fi

while [ ${1:0:1} == "-" ]; do
    GREP_OPTIONS="$GREP_OPTIONS $1"
    shift
done

pat="$1"
shift

if [[ $# -gt 1 ]]; then
  GREP_OPTIONS="-H $GREP_OPTIONS"
fi
export GREP_OPTIONS

for file in "$@"; do
    pdftotext -layout "$file" - 2>/dev/null | egrep --label="$file" "$pat"
done

       

Komentáře

[Aleš Janda]

Na přednáškové slidy se mi nejvíce osvědčil starý dobrý Acroread - umí fulltextově prohledávat všechny PDF soubory v zadaném adresáři a podadresářích. Tak jen všechny přednášky + vše co má smysl naházím do jednoho adresáře a prohledávám podle toho. Dokonce to řadí i dle relevance

[mutable]

Wow. Vyzkouším ASAP.

[🇵🇸]

Eh, co to dělá s obrázky?

[mutable]

Kašle to na ně.

[🇵🇸]

No právě...

[stativ]

Pán by chtěl i OCR?

[Václav HFechs Švirga]

Ideálně umělou inteligenci. Prostě ji řeknu, ať mi v té kupě pdfek něco najde a až se vrátím z hospody, chcu to mít otevřené a důležité věci podtrhané. To je tak těžké?!!!

[iin]

Ano.

[deda.jabko]

mozna blby dotaz, ale co dela tento kod: cut -c2 <<<x"$1" ?

[Fuky]

Vrátí Ti to první znak $1 tj. uvedený cyklus pokračuje dokud jsou předávány volby pro grep tj. argumenty na příkazové řádce začínají znakem -.

[Fuky]

To samé dělá i ${1:0:1} (Bash umí, Dash nezná).

[mutable]

Hledají se přepínače pro grep (tj. znaky co začínají na -). V bash man stránce se <<< jmenuje "here string". Proč se před to dává xko? Zatím nevím, někdo to navrhl v komentáři (viz. zdroj), že prý to řeší problem s mezerami uvnitř názvů souborů, zatím sem nepřišel na to proč. :|

[Fuky]

prý to řeší problem s mezerami uvnitř názvů souborů

To by mě zajímalo kde jsi to vyčetl, v diskuzi to vysvětlili jasně:

2. A small bug: if you pass a -e or -n as grep options, then the echo in the test of the first while loop thinks that it's an option for itself, for example echo -e outputs just a blank line.

Tj. pokud $1 bude obsahovat volby, které jsou dostupné i v echo, tak si je vezme za své právě echo. Příklad:

$ option="-n"

$ echo $option

$ echo x$option
x-n

[Fuky]

Pro udržení kontextu, bavíme se o:

while [ `echo x$1 | cut -c2` == "-" ]; do

U následujícího provedení má x jiný význam, pokud by $1 byl prázdný řetězec vypsal by skript chybové hlášení [: ==: unary operator expected, protože na levé straně porovnání by nebylo nic:

while [[ $(cut -c2 <<<x"$1") == "-" ]]; do

Ale když použijeme uvozovky, tak se můžeme zbavit x i tady (dávat do uvozovek i $1 je zbytečné):

while [ "$(cut -c2 <<<$1)" == "-" ]; do

Nebo to rovnou můžeme napsat bez zbytečného cut:

while [ ${1:0:1} == "-" ]; do

[mutable]

Oh. Upraveno. Omlouvám se. Přiznám se, že jsem ty komentáře jenom zhruba prolít.

[Salutis]

Fuky, ty tu nemudruj a makaj na tých nových skriptoch. :)

[Salutis]

Len tak na okraj, tie podmienky sa dajú zjednodušiť z ...

if [[ $# -gt 1 ]]; then
  GREP_OPTIONS="-H $GREP_OPTIONS"
fi

... na ...

[ $# -gt 1 ] && REP_OPTIONS="-H $GREP_OPTIONS"

No a ten posledný cyklus čo ide po súboroch neberie názvy s medzerami.

Asi by bolo lepšie použiť:

ls ... | while read FILE; do

[Salutis]

Tú druhú pripomienku beriem späť. Zasa zom zabudol, že "$@" (s úvodzovkami) to zvláda v pohode.