Офис и PDF

Найти текст в PDF

Ищет строку по всем страницам, показывает фрагменты и умеет выгрузить результаты в JSON.

Python Windows macOS Linux Средний
Скачать search_pdf_text.py
Описание

Что делает скрипт

Скрипт извлекает текст через pdfplumber и ищет заданную подстроку с учётом или без учёта регистра. Для каждого совпадения выводится номер страницы и короткий фрагмент. Если ничего не найдено, команда завершается с кодом 1, что удобно для проверок.

Запуск

Быстрый старт

python search_pdf_text.py document.pdf --query 'договор'

Скачайте файл, откройте терминал в папке со скриптом и выполните команду. В Linux и macOS интерпретатор может называться python3, в Windows - python или py.

Примеры

Другие варианты

  • python search_pdf_text.py book.pdf --query 'итог' --ignore-case
  • python search_pdf_text.py report.pdf --query '2026' --json hits.json --limit 50
Зависимости

Что понадобится

Python 3.10+ Интерпретатор и стандартная библиотека
Windows winget install Python.Python.3.12
macOS brew install python
Linux sudo apt install python3
pdfplumber
Windows py -m pip install pdfplumber
macOS python3 -m pip install pdfplumber
Linux python3 -m pip install pdfplumber
Исходник

search_pdf_text.py

#!/usr/bin/env python3
"""Поиск подстроки в тексте PDF."""
from __future__ import annotations

import argparse
import json
import re
import sys
from pathlib import Path

import pdfplumber


def main() -> int:
    parser = argparse.ArgumentParser(description="Найти текст в PDF")
    parser.add_argument("input", type=Path, help="Исходный PDF")
    parser.add_argument("--query", required=True, help="Искомая строка")
    parser.add_argument("--ignore-case", action="store_true", help="Не учитывать регистр")
    parser.add_argument("--limit", type=int, default=200, help="Максимум совпадений")
    parser.add_argument("--password", help="Пароль PDF")
    parser.add_argument("--json", type=Path, help="Сохранить результаты в JSON")
    args = parser.parse_args()

    path = args.input.expanduser()
    if not path.is_file():
        print(f"Файл не найден: {path}", file=sys.stderr)
        return 2
    if not args.query:
        print("Пустой запрос", file=sys.stderr)
        return 2
    if args.limit < 1:
        print("--limit должен быть не меньше 1", file=sys.stderr)
        return 2

    flags = re.IGNORECASE if args.ignore_case else 0
    hits: list[dict[str, object]] = []
    try:
        with pdfplumber.open(str(path), password=args.password or "") as pdf:
            for number, page in enumerate(pdf.pages, start=1):
                text = page.extract_text() or ""
                for match in re.finditer(re.escape(args.query), text, flags):
                    start = max(0, match.start() - 60)
                    end = min(len(text), match.end() + 60)
                    snippet = " ".join(text[start:end].split())
                    hits.append({"page": number, "text": snippet})
                    if len(hits) >= args.limit:
                        break
                if len(hits) >= args.limit:
                    break
    except Exception as error:
        print(f"Не удалось прочитать PDF: {error}", file=sys.stderr)
        return 1

    if not hits:
        print("Совпадений не найдено")
        return 1

    for hit in hits:
        print(f"стр. {hit['page']}: {hit['text']}")
    print(f"Всего совпадений: {len(hits)}")

    if args.json:
        target = args.json.expanduser()
        target.parent.mkdir(parents=True, exist_ok=True)
        payload = {"file": str(path), "query": args.query, "hits": hits}
        target.write_text(json.dumps(payload, ensure_ascii=False, indent=2) + "\n", encoding="utf-8")
        print(f"Отчёт сохранён: {target}")
    return 0


if __name__ == "__main__":
    raise SystemExit(main())

Скрипты работают с файлами и настройками системы. Перед запуском прочитайте код и проверьте пути. Особенно если скрипт удаляет, перезаписывает или перемещает данные.

CLI 1.0.0

Скачать без браузера

Команда скачает этот файл в текущую папку. CLI работает на Windows, macOS и Linux.

scriptdock get office-pdf-search-text
  • Поиск по всему каталогу
  • Python 3.10+
  • Без внешних пакетов
Скачать CLI

GUI-версия готовится. Подробнее

Категория

Офис и PDF

PDF, Word, Excel, презентации, документы и печать.