複数の個別の表現すべてに一致する正規表現

Question

インドでの入学時期です。私は、最高の大学を目指して頑張っています。

私は次のような表を含むPDFファイルを持っています

enter image description here

約2500以上のエントリがあり、3日間の時間があります。

だから私にとって適切な大学を分類するいくつかのスマートな仕事をするために、私は内容を複数の正規表現に一致させる必要があります。

「コンピュータ」または「情報」のいずれかの単語を含む必要があります
gEとFALSEの両方を含める必要があります
正規表現と一致する必要があります[0-9]{5,}

私は最初にそれをlibreoffice calcが開きますがlibreoffice Draw。私はpdftohtmlとpdftotextを試しましたが、どちらもひどく混乱しています。

最後に私はpdfgrepに来ましたが、grepと組み合わせて機能しません。

pdfgrep regexp1 ./locn to file|grep regexp2|grep regexp3

エラーを与える

Binary file (standard input) matches

したがって、私がしなければならないことは、pdfgrepに配置する単一の正規表現を使用することです。これは、必要なすべての正規表現に一致します。

編集：PDFをダウンロードできますここ 。

terdon · Accepted Answer

pdfgrepは行ではなくページで機能するため、.*の代わりに何でも一致させる必要があります。改行以外のすべてと一致させるには[^ ]*が必要であり、同じ行に一致することを確認してください。何らかの理由で、[ ]はnによってpdfgrep（\は無視されます）として扱われるため、いくつかのトリックが必要です。これを試して：

pdfgrep '(Computer|Information)'[^$'
']'*GE'[^$'
']*'FALSE'[^$'
']*'[0-9]{5,}' Closing_Rank_After_Round_III.pdf

私のシステムでは、これは82行を返します。

 17 DBLCSE4B Computer Science & Engineering GE FALSE OTHERSTATE 33161 33 DBLITY4B Information Technology GE FALSE OTHERSTATE 38913 74 DHACSE4B Computer Science & Engineering GE FALSE OTHERSTATE 36528 97 DJKCSE4B Computer Science & Engineering GE FALSE OTHERSTATE 22030 108 DJTCSE4B Shri Mata Vaishno Devi University, J&K Computer Science & Engineering GE FALSE OTHERSTATE 41598 112 DMUCOE4B Mizoram University, Aizawl Computer Engineering GE FALSE OTHERSTATE 39759 124 DMUITY4B Mizoram University, Aizawl Information Technology GE FALSE OTHERSTATE 41723 132 DTUCSE4B Tezpur University, Tezpur Computer Science & Engineering GE FALSE OTHERSTATE 36567 161 IAAITY4B Information Technology GE FALSE OTHERSTATE 19303 173 IALITR5M M.Tech Information Technology GE FALSE OTHERSTATE 12723 181 IALITY4B Information Technology GE FALSE OTHERSTATE 10649 187 IGHCSE4B Computer Science & Engineering GE FALSE OTHERSTATE 20054 195 IGWITY4B Information Technology & Management, Information Technology GE FALSE OTHERSTATE 18357 195 IGWITY4B Information Technology & Management, Information Technology GE FALSE OTHERSTATE 18357 200 IJLCSE4B of Information Technology Design & Computer Science & Engineering GE FALSE OTHERSTATE 19427 200 IJLCSE4B of Information Technology Design & Computer Science & Engineering GE FALSE OTHERSTATE 19427 206 IJLECE4B of Information Technology Design & GE FALSE OTHERSTATE 21863 211 IJLMEC4B of Information Technology Design & Mechanical Engineering GE FALSE OTHERSTATE 22433 217 IKOCOE4B Computer Engineering GE FALSE OTHERSTATE 16837 223 IKPCOE4B Design & Manufacturing, Kancheepuram, Computer Engineering GE FALSE OTHERSTATE 14202 247 IVDCOS4B Computer Science GE FALSE OTHERSTATE 18374 252 IVDITY4B Information Technology GE FALSE OTHERSTATE 19973 284 NAGCSE4B National Institute of Technology, Agartala Computer Science & Engineering GE FALSE HOMESTATE 252288 285 NAGCSE4B National Institute of Technology, Agartala Computer Science & Engineering GE FALSE OTHERSTATE 27007 443 NAPCSE4B Computer Science & Engineering GE FALSE HOMESTATE 338141 444 NAPCSE4B Computer Science & Engineering GE FALSE OTHERSTATE 26762 505 NBHCSE4B Computer Science & Engineering GE FALSE HOMESTATE 11495 608 NCACSE4B National Institute of Technology, Calicut Computer Science & Engineering GE FALSE HOMESTATE LD 657523 735 NDUCSE4B National Institute of Technology, Durgapur Computer Science & Engineering GE FALSE HOMESTATE AN 80861 736 NDUCSE4B National Institute of Technology, Durgapur Computer Science & Engineering GE FALSE HOMESTATE WB 19088 737 NDUCSE4B National Institute of Technology, Durgapur Computer Science & Engineering GE FALSE OTHERSTATE 11900 772 NDUITY4B National Institute of Technology, Durgapur Information Technology GE FALSE HOMESTATE AN 95756 773 NDUITY4B National Institute of Technology, Durgapur Information Technology GE FALSE HOMESTATE WB 26872 774 NDUITY4B National Institute of Technology, Durgapur Information Technology GE FALSE OTHERSTATE 16715 811 NGOCSE4B National Institute of Technology, Goa Computer Science & Engineering GE FALSE HOMESTATE 102938 812 NGOCSE4B National Institute of Technology, Goa Computer Science & Engineering GE FALSE OTHERSTATE 13100 862 NHACSE4B National Institute of Technology, Hamirpur Computer Science & Engineering GE FALSE HOMESTATE 34510 863 NHACSE4B National Institute of Technology, Hamirpur Computer Science & Engineering GE FALSE OTHERSTATE 13867 933 NITCSE4B Birla Institute of Technology, Mesra Ranchi Computer Science & Engineering GE FALSE HOMESTATE 10898 955 NITITY4B Birla Institute of Technology, Mesra Ranchi Information Technology GE FALSE HOMESTATE 23647 956 NITITY4B Birla Institute of Technology, Mesra Ranchi Information Technology GE FALSE OTHERSTATE 14055 1080 NJLCSE4B Computer Science & Engineering GE FALSE HOMESTATE 13424 1081 NJLCSE4B Computer Science & Engineering GE FALSE OTHERSTATE 12160 1129 NJLITY4B Information Technology GE FALSE HOMESTATE 20270 1130 NJLITY4B Information Technology GE FALSE OTHERSTATE 14973 1172 NJMCSE4B Computer Science & Engineering GE FALSE HOMESTATE 22151 1173 NJMCSE4B Computer Science & Engineering GE FALSE OTHERSTATE 13379 1280 NKUITY4B Information Technology GE FALSE HOMESTATE 14993 1281 NKUITY4B Information Technology GE FALSE OTHERSTATE 12373 1317 NMGCSE4B National Institute of Technology, Meghalaya Computer Science & Engineering GE FALSE HOMESTATE 66882 1318 NMGCSE4B National Institute of Technology, Meghalaya Computer Science & Engineering GE FALSE OTHERSTATE 30457 1354 NMRCSE4B National Institute of Technology, Manipur Computer Science & Engineering GE FALSE HOMESTATE 335104 1355 NMRCSE4B National Institute of Technology, Manipur Computer Science & Engineering GE FALSE OTHERSTATE 29987 1386 NMZCSE4B National Institute of Technology, Mizoram Computer Science & Engineering GE FALSE HOMESTATE 780732 1387 NMZCSE4B National Institute of Technology, Mizoram Computer Science & Engineering GE FALSE OTHERSTATE 33351 1500 NNGCSE4B National Institute of Technology, Nagaland Computer Science & Engineering GE FALSE OTHERSTATE 32788 1538 NPACSE4B National Institute of Technology, Patna Computer Science & Engineering GE FALSE HOMESTATE 26912 1539 NPACSE4B National Institute of Technology, Patna Computer Science & Engineering GE FALSE OTHERSTATE 17852 1569 NPAITY4B National Institute of Technology, Patna Information Technology GE FALSE HOMESTATE 31050 1570 NPAITY4B National Institute of Technology, Patna Information Technology GE FALSE OTHERSTATE 21633 1588 NPYCSE4B National Institute of Technology, Puducherry Computer Science & Engineering GE FALSE HOMESTATE 212537 1589 NPYCSE4B National Institute of Technology, Puducherry Computer Science & Engineering GE FALSE OTHERSTATE 13738 1655 NRACSE4B National Institute of Technology, Raipur Computer Science & Engineering GE FALSE HOMESTATE 30599 1656 NRACSE4B National Institute of Technology, Raipur Computer Science & Engineering GE FALSE OTHERSTATE 16002 1686 NRAITY4B National Institute of Technology, Raipur Information Technology GE FALSE HOMESTATE 54124 1687 NRAITY4B National Institute of Technology, Raipur Information Technology GE FALSE OTHERSTATE 20012 1746 NROCEC5M National Institute of Technology, Rourkela and M.Tech. Computer Science 5- GE FALSE HOMESTATE 16014 1812 NROCSE4B National Institute of Technology, Rourkela Computer Science & Engineering GE FALSE HOMESTATE 12845 1821 NROCSS5M National Institute of Technology, Rourkela M.Tech. Information Security 5- GE FALSE HOMESTATE 16350 1822 NROCSS5M National Institute of Technology, Rourkela M.Tech. Information Security 5- GE FALSE OTHERSTATE 10803 1986 NSICSE4B National Institute of Technology, Silchar Computer Science & Engineering GE FALSE HOMESTATE 50138 1987 NSICSE4B National Institute of Technology, Silchar Computer Science & Engineering GE FALSE OTHERSTATE 22448 2044 NSKCSE4B National Institute of Technology, Sikkim Computer Science & Engineering GE FALSE HOMESTATE 353234 2045 NSKCSE4B National Institute of Technology, Sikkim Computer Science & Engineering GE FALSE OTHERSTATE 24788 2173 NSRCSE4B National Institution of Technology, Srinagar Computer Science & Engineering GE FALSE HOMESTATE 39818 2174 NSRCSE4B National Institution of Technology, Srinagar Computer Science & Engineering GE FALSE OTHERSTATE 22786 2259 NSTCOE4B Computer Engineering GE FALSE HOMESTATE DD 173213 2260 NSTCOE4B Computer Engineering GE FALSE HOMESTATE GJ 10724 2427 NUDCSE4B Computer Science & Engineering GE FALSE HOMESTATE 46818 2428 NUDCSE4B Computer Science & Engineering GE FALSE OTHERSTATE 18978 2478 NUSITY4B Assam University, Silchar Information Technology GE FALSE HOMESTATE 107749 2479 NUSITY4B Assam University, Silchar Information Technology GE FALSE OTHERSTATE 38122

$' 'は ANSI Cエスケープシーケンスと呼ばれます。これらは、特定の問題のある文字（非印刷文字や引用符など）を、他の方法では認識できないプログラムに指定するための、移植可能で堅牢な方法です。この場合、それらを文字クラスで使用しています。文字クラスが^で始まる場合は、「このクラスの文字を除くすべてのものに一致する以外です。したがって、[^$' ']は「改行文字以外のすべてに一致」これにより、werが探している一致がすべて同じ行にあることが保証されます。

jmunsch · Answer

それが言っているのは、ストリームのどこかに「バイナリ」があるということです。

多分試してください：

pdfgrep regexp1 ./locn to file|grep --text regexp2|grep --text regexp3

または、stringsを使用してみてください：

文字列のマニュアルによると、

 For each file given, GNU strings prints the printable character sequences that are at least 4 characters long (or the number given with the options below) and are followed by an unprintable character. By default, it only prints the strings from the initialized and loaded sections of object files; for other types of files, it prints the strings from the whole file. strings is mainly useful for determining the contents of non-text files.

また興味深い：

バイナリデータを含むテキストファイルをgrepする方法？|スタックオーバーフロー