使用 pdfgrep 搜索字符串并格式化输出

Question

我正在使用 pdfgrep 在存储在目录中的多个 pdf 中搜索名称并将结果存储在文件中：

pdfgrep -R 'My string' > ../output-file

它打印以下输出：

./file1.pdf:     91   My String                               Just_another_string                   75              53            49            30              57               48                74             69
./file2.pdf:     8    My String                                Just_another_string                                                              40
./file3.pdf:     92 My String                                  Just_another_string                   64              62            76             50           76            88             80             148

我在输出的每一列之间的每一行中都得到了很多不必要的空格。我想重新格式化输出，使这些多个空格减少到每列之间只有一个空格。

有什么办法可以做到吗？提前致谢。

Answer 1

快速而肮脏的方式：使用 awk。假设格式总是这样： （假设你原来的命令是正确的）

pdfgrep -R 'My string' | awk '{print "$1 $2 $3 $4 $5 $6 $7 $8 $9"}' > ../output-file

基于 cmets 编辑：

@Inian 的答案更好（因为它处理任意数量的列），但简而言之，我正在做的是告诉 awk 用空格分割输入，然后在每列之间用一个空格将其打印回来。 .. 例如，您可以通过不包括 $1 来跳过第一列，或者通过打印 $4 $3) 来交换第 3 列和第 4 列。

为了提高效率，如果你想把它推到数据库中，你可能想考虑使用 Python（或 Perl 或 PHP，但快速检查我的个人资料应该显示我的偏好）来实际执行 SQL 导入。 500 个 PDF 并没有真正使我分阶段...我希望您可以摆脱类似的情况：

pdfgrep -R 'My string' > ../output-file

然后运行一个看起来像这样的python程序：

import sys

with open("output-file","rt") as f:
   for line in f:
      data = line.split() #now you have an array split by whitespace
      cleanline = " ".join(data) #now each element has a single space between it and the next
      #or you could just stick data directly into the database; details omitted because there are way too many variables here