我有一堆PDF文件，我的Perl程序需要对它们进行全文搜索，以返回包含特定字符串的文件。
到目前为止，我一直在使用它：

my @search_results = `grep -i -l \"$string\" *.pdf`;

$ string是要查找的文本。
但是，这对于大多数pdf来说都是失败的，因为文件格式显然不是ASCII。

我最简单的方法是什么？

澄清：
大约有300个pdf，我不知道其名字。 PDF :: Core可能过于矫kill过正。我正在尝试使pdftotext和grep相互配合，因为我不知道pdf的名称，但我找不到正确的语法。

使用亚当·贝莱尔(Adam Bellaire)的建议的最终解决方案：

@search_results = `for i in $( ls ); do pdftotext $i - | grep --label="$i" -i -l "$search_string"; done`;

解决方案

这里的PerlMonks线程讨论了这个问题。

看来，根据情况，获取pdftotext(命令行工具)可能是最简单的，然后可以执行以下操作：

my @search_results = `pdftotext myfile.pdf - | grep -i -l \"$string\"`;

我第二次提出亚当·贝莱尔的解决方案。我使用pdftotext实用程序来创建我的电子书库的全文本索引。它有点慢，但是可以完成它的工作。至于全文，请尝试使用PLucene或者KinoSearch来存储全文索引。

我们可能需要查看PDF :: Core。

我使用的最简单的全文索引/搜索是mysql。我们只需插入具有适当索引的表即可。我们需要花费一些时间来计算字段的相对权重(标题中的匹配项可能比主体中的匹配项得分更高)，但这是可能的，尽管使用了一些毛茸茸的sql。

不赞成使用Plucene(在过去两年中afaik尚未对其进行任何积极的工作)，而推荐使用KinoSearch。 KinoSearch在某种程度上是由于了解Plucene的体系结构局限性而发展起来的。

如果我们有大约300个pdf，则一旦我们从PDF中提取了文本(假设PDF具有文本，而不仅仅是文本图像；)并且根据查询量，我们可能会发现grep就足够了。

但是，我强烈建议我们使用mysql / kinosearch路由，因为它们涵盖了很多方面(阻塞，停用词，术语权重，令牌解析)，我们无法从中受益。

KinoSearch可能比mysql路由快，但是mysql路由为我们提供了更广泛使用的标准软件/工具/开发人员经验。这样我们就可以使用sql的功能来扩展自由文本搜索查询。

因此，除非我们在谈论巨大的数据集和疯狂的查询量，否则我的钱将花在mysql上。

我的库CAM :: PDF支持提取文本，但是考虑到PDF语法的图形方向，这是一个固有的难题。因此，有时输出会变得乱七八糟。 CAM :: PDF捆绑了一个getpdftext.pl程序，或者我们可以像这样调用功能：

my $doc = CAM::PDF->new($filename) || die "$CAM::PDF::errstr\n";
for my $pagenum (1 .. $doc->numPages()) {
   my $text = $doc->getPageText($pagenum);
   print $text;
}

我们可以尝试使用Lucene(Perl端口称为Plucene)。搜索非常快，我知道PDFBox已经知道如何使用Lucene索引PDF文件。 PDFBox是Java，但CPAN中的某些地方很有可能会出现类似的情况。即使我们找不到已经将PDF文件添加到Lucene索引中的内容，也不要超过几行代码来自己做。 Lucene将为我们提供更多的搜索选项，而不仅仅是在文件中查找字符串。

还有一种非常快捷和肮脏的方法。 PDF文件中的文本实际上存储为纯文本。如果我们在文本编辑器中打开PDF或者使用"字符串"，则可以在其中看到文本。二进制垃圾通常是嵌入的字体，图像等。