Expression régulière qui correspond à toutes les expressions distinctes multiples

Question

Il est temps d'admission en Inde et j'essaie de mon mieux pour obtenir le meilleur collège possible pour engg.

J'ai un fichier pdf qui contient un tableau qui ressemble à

enter image description here

Il contient environ 2500+ entrées et j'ai 3 jours.

Donc, pour faire un travail intelligent pour trier les bons collèges pour moi, je dois faire correspondre le contenu à plusieurs expressions rationnelles, comme

Doit contenir l'un des mots "ordinateur" ou "information"
doit contenir à la fois GE et FALSE
Doit correspondre à l'expression rationnelle [0-9]{5,}

J'ai d'abord essayé de l'ouvrir dans libreoffice calc mais il s'ouvre dans libreoffice Draw. J'ai essayé pdftohtml et pdftotext mais les deux gâchent mal.

Enfin, je suis arrivé à pdfgrep, mais cela ne fonctionne pas en combinaison avec grep car,

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

donne une erreur

Binary file (standard input) matches

Donc, tout ce que je dois faire, c'est avec une seule expression rationnelle à mettre dans pdfgrep, qui correspondra à toutes les expressions rationnelles dont j'ai besoin.

EDIT: Vous pouvez télécharger le pdf ici .

terdon · Accepted Answer

pdfgrep fonctionne sur les pages, pas sur les lignes donc au lieu de .* pour correspondre à tout, vous avez besoin de [^ ]* pour correspondre à tout sauf à une nouvelle ligne et assurez-vous donc que vous correspondez à la même ligne. Pour certaines raisons, [ ] est traité comme un n (le \ est ignoré) par pdfgrep donc une astuce est nécessaire. Essaye ça:

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

Sur mon système, cela renvoie 82 lignes:

 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

Le $' ' est appelé séquence d'échappement ANSI C . Il s'agit d'une méthode portable et robuste de spécification de certains caractères problématiques (tels que les caractères non imprimables et les guillemets) aux programmes qui ne peuvent pas les reconnaître autrement. Dans ce cas, je les utilise dans une classe de caractères . Lorsqu'une classe de caractères commence par ^, cela signifie "correspondre à tout sauf les caractères de cette classe. Donc, [^$' '] signifie "correspondre à tout sauf un caractère de nouvelle ligne". Cela garantit que les correspondances recherchées sont toutes sur la même ligne.

jmunsch · Answer

Ce qu'il dit, c'est qu'il y a du "binaire" quelque part dans le flux:

Essayez peut-être:

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

Ou essayez d'utiliser strings:

Selon le manuel des cordes,

 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.

Également intéressant:

Comment grep un fichier texte qui contient des données binaires? | Stack Overflow