pdfgrep 适合搜索哪些 PDF 文件?

pdfgrep 适合搜索文本层可提取的 PDF，尤其是需要在命令行里批量、跨多个文件做关键词检索的场景。它刻意向 GNU Grep 靠拢，支持 -r、-i、-n、-c 等常见选项，所以如果你已经熟悉 grep，迁移成本很低。反过来，如果你的 PDF 是纯扫描图片、没有可提取文本，或者你希望用图形界面点选操作，pdfgrep 就不是合适的选择。

判断你的 PDF 是否适合

关键不在文件扩展名，而在 PDF 内部是否存有可提取的文本层。

PDF 类型 是否适合 pdfgrep 原因
由 Word、LaTeX、浏览器打印生成的 PDF 适合 通常带完整文本层，可直接匹配
带 OCR 文本层的扫描件 适合 文本可提取，能正常搜索
纯图片扫描件（无 OCR） 不适合 没有文本层，搜不到内容
加密或权限受限的 PDF 视情况 取决于能否被正常读取和解密

一个快速自检方法：在 PDF 阅读器里试着选中并复制一段文字。如果能选中复制，说明有文本层，pdfgrep 大概率能搜到；如果只能整页框选或完全选不中，基本就是图片型 PDF。

适合的典型场景

批量跨文件检索

这是 pdfgrep 最核心的用途。比如你有一个目录，里面放着几十份报告，想找出所有提到某个项目名的文件：

pdfgrep -r "项目名称" ./reports/

-r 递归搜索子目录，输出会标出命中的文件和所在位置。这比逐个打开 PDF 用阅读器搜索快得多。

需要脚本化、可组合的处理

因为行为接近 GNU Grep，pdfgrep 可以自然接进 shell 管道和脚本。例如只统计命中次数、忽略大小写、显示行号：

pdfgrep -i -c "keyword" *.pdf

-i 忽略大小写，-c 只输出每个文件的匹配计数。这类组合在需要自动化处理大量文档时很实用。

已熟悉 grep 的用户

如果你日常用 grep 处理文本，pdfgrep 的选项命名和语义基本一致，不需要重新学一套语法。这是它相对其他 PDF 检索工具的主要优势。

不适合的情况

  • 需要图形界面：pdfgrep 是命令行工具，没有可视化界面。习惯用鼠标点选、看高亮预览的用户会觉得别扭。
  • 纯扫描件且未做 OCR：没有文本层就无从匹配，需要先用 OCR 工具生成文本层，再交给 pdfgrep。
  • 需要复杂版面理解：pdfgrep 做的是文本匹配，不解析表格结构、不还原阅读顺序，涉及版面语义的任务不适合。

怎么确认它符合你的需求

  1. 先确认目标 PDF 有可提取文本（阅读器里能选中文字）。
  2. 确认你接受命令行操作方式。
  3. 如果满足前两条，且需求是“在多个 PDF 里找关键词”，pdfgrep 基本就是合适工具。
  4. 如果 PDF 是扫描件，先解决 OCR 问题，再考虑用 pdfgrep 检索。

简单说：有文本层 + 命令行 + 批量检索 = 适合；图片型 PDF 或需要图形界面 = 不适合。

pdfgrep.org