web-dev-qa-db-ja.com

powershellでPDFコンテンツを検索し、ファイルリストを出力する

これが私がやろうとしていることです:

さまざまな形式の巨大なファイル(約1万)があります。各ファイルは、特定のタイプとして定義できます(例:製品シート、事業計画、オファー、プレゼンテーションなど)。ファイルは特定の順序ではなく、単一のリストとして表示される場合もあります。タイプ別にカタログを作成することに興味があります。

アイデアは、特定のフォーマットと特定のタイプについて、ファイルのコンテンツで検索するキーワードを知っているということです。基本的に、特定のキーワードを含む特定の形式のすべてのファイルを探し、各リストを個別のcsvに出力する一連のスクリプトを実行するpowershellスクリプトが必要です。ここでの重要なポイントは、キーワードがファイル名ではなくコンテンツ(pdfの本文、Excelのセルなど)に含まれることです。今のところ、私は以下を試しました:

get-childitem -Recurse | where {!$_.PSIsContainer} |
select-object FullName, LastWriteTime, Length, Extension | export-csv -notypeinformation -delimiter '|' -path C:\Users\Uzer\Documents\file.csv  -encoding default

それはいいことで、サイズと拡張子を含むファイルの完全なリストが表示されます。私は同様のものを探していますが、コンテンツでフィルタリングしています。何か案は?

編集:彼女の下の解決策に基づいて彼女の新しいコード:

$searchstring = "foo"
$directory = Get-ChildItem -include ('*.pdf') -Path "C:\Users\Uzer\Searchfolder" -Recurse

foreach ($obj in $directory)
{Get-Content $obj.fullname | Where-Object {$_.Contains($searchstring)}| select-object FullName, LastWriteTime, Length, Extension | export-csv -notypeinformation -delimiter '|' -path C:\Users\Uzer\Documents\file2.csv  -encoding default}

しかし、私はこれらのエラーの束を受け取ります:

 An object at the specified path C:[blabla]\filename.pdf does not exist, or has been filtered by the -Include or -Exclude parameter.
3
S. L.

itextsharp.dll を使用するPowerShell。以下はキーワードごとに各PDFの各ページのテキストを評価し、一致したものをcsvにエクスポートします。これを実行すると、一致が見つかった場合にファイルの名前を変更したり、分類されたフォルダーなどに移動したりできます。

Add-Type -Path "C:\path_to_dll\itextsharp.dll"
$pdfs = gci "C:\path_to_pdfs" *.pdf
$export = "C:\path_to_export\export.csv"
$results = @()
$keywords = @('Keyword1','Keyword2','Keyword3')

foreach($pdf in $pdfs) {

    Write-Host "processing -" $pdf.FullName

    # prepare the pdf
    $reader = New-Object iTextSharp.text.pdf.pdfreader -ArgumentList $pdf.FullName

    # for each page
    for($page = 1; $page -le $reader.NumberOfPages; $page++) {

        # set the page text
        $pageText = [iTextSharp.text.pdf.parser.PdfTextExtractor]::GetTextFromPage($reader,$page).Split([char]0x000A)

        # if the page text contains any of the keywords we're evaluating
        foreach($keyword in $keywords) {
            if($pageText -match $keyword) {
                $response = @{
                    keyword = $keyword
                    file = $pdf.FullName
                    page = $page
                }
                $results += New-Object PSObject -Property $response
            }
        }
    }
    $reader.Close()
}

Write-Host ""
Write-Host "done"

$results | epcsv $export -NoTypeInformation

コンソール出力:

processing - C:\path_to_pdfs\1.pdf
processing - C:\path_to_pdfs\2.pdf
processing - C:\path_to_pdfs\3.pdf
processing - C:\path_to_pdfs\4.pdf
processing - C:\path_to_pdfs\5.pdf

done
PS C:\>

Csv出力:

keyword    page    file
Keyword2   14      C:\path_to_pdfs\3.pdf
Keyword3   22      C:\path_to_pdfs\3.pdf
Keyword1   6       C:\path_to_pdfs\5.pdf
6
root

PDFのファイル内容がWindows Searchでインデックス付けされている場合、システムファイルシステムインデックスをクエリできます。Windowsがインデックスを作成するようにするには、 iFilterのインストール が必要になる場合があります。 PDF。しかし、この方法はpdf、テキストファイル、xlsxファイルなどで機能します。

$searchString = "foo"
$searchPath = "C:\Users\Uzer\Searchfolder"
$sql = "SELECT System.ItemPathDisplay, System.DateModified, " +
       "System.Size, System.FileExtension FROM SYSTEMINDEX " +
       "WHERE SCOPE = '$searchPath' AND FREETEXT('$searchstring')"
$provider = "provider=search.collatordso;extended properties=’application=windows’;" 
$connector = new-object system.data.oledb.oledbdataadapter -argument $sql, $provider 
$dataset = new-object system.data.dataset 
if ($connector.fill($dataset)) { $dataset.tables[0] }
2
davidmneedham