我已经遵循了这个线程的想法，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'
我确信"过滤器"在这本书中至少出现了100次。
有什么想法吗？
如果您真的可以从 PDF 中 grep 给定的字符串（您可以在渲染或打印的 PDF 页面上"看到"和阅读），即使借助 pdftotext ，那么您一定非常幸运。
首先：您提供给unix.stackexchange.com的链接中的大多数建议都是非常不知情的（最礼貌地说）。那里的大多数答案显然都是由不熟悉大量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，将输出流式传输到标准输出。
有许多类型的 PDF pdftotext根本无法提取文本。造成这种情况的原因可能是（下面的列表不完整）：
-
您看到的"文本"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一个大光栅图像，然后嵌入到PDF文件外壳中。这可能会使页面仅显示为文本字符串。
-
您看到的"文本"不是基于使用字体。它可能是一系列小矢量图（或小光栅图像），在我们的眼睛和大脑中看起来只是文本字符串。
有许多软件应用程序确实将字体转换为所谓的"轮廓"。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 生成应用程序中的设置意外错误。
-
字体作为子集嵌入在PDF文件中（由PDF生成软件 - 用户通常无法控制此操作的细节）并使用"自定义"编码，但该文件不提供
toUnicode表来将字形映射到字符。"字形"是在屏幕上绘制的每种字体中定义明确的形状。字形映射到计算机的字符 - 我们的眼睛只看到这些形状，我们的大脑将它们转换为字符，而不需要
toUnicode表。像pdftotext这样的程序需要一个toUnicode表来反转字形的转换回字符。
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（以及字符串的 greping 方法）应该有效：
- 即使名为
uni的列（判断 PDF 文件中是否嵌入了toUnicode地图）表示no对于每种字体，encoding列不包含custom，而是builtin（意味着字形>字符映射随字体文件一起提供，字体文件的类型为Type 1。
总结一下：如果无法访问您的 PDF 文件，就无法说出为什么您不能"grep"查找您正在寻找的字符串！