☰

パターンが複数行かどうかに関係なく、PDFファイルからパターンのページ番号のみを取得する方法は？

tag-icon • tag-icon text-processing awk grep pdf pdfgrep
パターンが複数行かどうかに関係なく、PDFファイルからパターンのページ番号のみを取得する方法は？

PDFファイルで複数行パターンのページ番号が見つかりました。PDFファイルとテキストファイルで複数行のパターンを見つける方法は？そして PDFファイルから文字列を検索し、その文字列が表示される各ページの実際のページ番号を見つける方法は？

$ pdfgrep -Pn '(?s)image\s+?not\s+?available'  main_text.pdf 
49: image
   not
available
51: image
   not
available
53: image
   not
available
54: image
   not
available
55: image
   not
available

ページ番号を抽出したいのですがパターンが複数行なので

$ pdfgrep -Pn '(?s)image\s+?not\s+?available'  main_text.pdf | awk -F":" '{print $1}'
49
   not
available
51
   not
available
53
   not
available
54
   not
available
55
   not
available

変える

49
51
53
54
55

パターンが複数行かどうかにかかわらず、ページ番号だけを抽出する方法を知りたいです。ありがとうございます。

答え1

これは少しハッキングされていますが、すでにPerl互換REを使用しているため、「左に保持」\K修飾子を使用して式のすべての項目（および次の行が終わる前のすべての項目）を一致させることはできますが、削除できます。出力から次を除外します。

pdfgrep -Pn '(?s)image\s+?not\s+?available.*?$\K'  main_text.pdf

ただし、出力にはまだ区切り:文字が含まれています。

答え2

$0~":"awkリーダーとして追加されました。つまり、次のような行を取得します。

 .... | awk -F":" '$0~":"{print $1}'

これにより、入力行に「：」がある場合にのみ出力が印刷され、他の行は削除されます。

関連情報