使用Mac上文档中的内容对PDF进行批重命名

Question

我有7000 pdf文档在文件夹"ffl“，他们都已经通过ocr程序，以便内容可以复制和粘贴。

每个文档都包含文本"license -__----*****“”号码是15位长有破折号，第10项是一个字母。

需要批处理才能根据文档中的许可证号重命名所有文件。

有我可以运行的脚本来完成这个任务吗？已经搜寻了大约一周了。每件事都在谈论从finder重命名的新方法。没有任何关于从文档内容中重命名的内容。对终点站来说很新鲜。

我看到了将mv重命名为“旧位置”“新位置”的基本命令。

mv /home/user/my_static /home/user/static

现在，我复制数字并粘贴为文件名。需要一个更快的方法。

请并感谢您的任何建议。

Answer 1

请先安装pip：

sudo easy_install pip

或

brew install python

其次，安装pdfminer：

pip install pdfminer

通过使用pdfminer和Python的标准库，我创建了一个特定于您的问题的脚本：

rename.py

import commands
import re
import glob, os

os.chdir(".") # In this directory
for file in glob.glob("*.pdf"): # For all files with extension .pdf

    pdf_text = commands.getstatusoutput('pdf2txt.py ' + file)[1] # Get text content of the pdf file

    result = re.search('[0-9]-[0-9][0-9]-[0-9][0-9][0-9]-[0-9][0-9]-[0-9][A-Z]-[0-9][0-9][0-9][0-9][0-9]', pdf_text) # Search using a regex specific to your solution and find the license number

    if result: # If license number has been found
        command = 'mv ' + file + ' ' + result.group(0) + '.pdf'
        commands.getstatusoutput(command) # Rename file to LICENSE_NUMBER.pdf
        print command + ' :: Command executed.' # Show what command has been executed

只需输入python rename.py即可执行它。

这个Python脚本将在目录(与其本身相同的目录)中搜索扩展名为.pdf的文件。

然后，它将根据我为您编写的正则表达式搜索每个文件的许可证号。

最后，如果有结果，它将将文件名更改为LICENSE_NUMBER.pdf

在OP的评论中添加：

如果其他一些PDF文档的格式略有不同，并且此脚本不适用于它们，只需使用以下方法查看文本内容：

commands.getstatusoutput('pdf2txt.py ' + file)

对于您的示例文件，它是：

...ct ATI- \nCorrespondence To\n\nLicense\nNumber\n\n9-91-053-01-4L-04292\n\nA IF  - Chief. FF...

因此，我创建了一个regex来查找子字符串\n\nLicense\nNumber\n\n9-91-053-01-4L-04292\n\nA并从中获取许可号。也许您可以通过调查更多的示例来为PDF文档创建一个更宽容/更通用的正则表达式。

Answer 2

最新答案

好吧，我想我们可以做得更好，我更了解数字的格式.

#!/bin/bash
# Don't barf if no files, or if upper or lower case names
shopt -s nullglob nocaseglob

for f in *.pdf; do
    lic=$(pdfgrep "[0-9]-[0-9][0-9]-[0-9][0-9][0-9]-[0-9][0-9]-[0-9][A-Z]-[0-9][0-9][0-9][0-9][0-9]" "$f" | grep -oE "[0-9-]+[A-Z][0-9-]+")
    # Check licence is at least 15 characters, else do nothing
    if [ ${#lic} -gt 15 ]; then
       echo mv "$f" "${lic}.pdf"
    fi
done

如果要花费很长时间，您还可以使用homebrew安装GNU并行，这样就可以并行地完成所有这些任务，并使工作完成得更快。因此，您可以用以下方式安装：

brew install parallel

然后将脚本更改为只执行一个文件，如下所示：

#!/bin/bash
if [ $# -ne 1 ]; then
   echo Usage: Renamer file
   exit 1
fi
f="$1"
lic=$(pdfgrep "[0-9]-[0-9][0-9]-[0-9][0-9][0-9]-[0-9][0-9]-[0-9][A-Z]-[0-9][0-9][0-9][0-9][0-9]" "$f" | grep -oE "[0-9-]+[A-Z][0-9-]+")
# Check licence is at least 15 characters, else do nothing
if [ ${#lic} -gt 15 ]; then
   echo mv "$f" "${lic}.pdf"
fi

然后你就可以把它们都搞定：

parallel ./Renamer ::: *.pdf

备选案文1

您可以使用pdfgrep提取许可证号码，您可以使用homebrew安装许可证号码。您需要到自制的乳酪，从那里复制一行(我不想放在这里，以防它过时)，并将其粘贴到终端并运行它。然后，您可以通过以下方式安装pdfgrep：

brew install pdfgrep

或者，如果您喜欢这样的事情，可以下载并自己构建pdfgrep！下载。

然后，您可以通过以下方式从PDF文件中提取许可证：

pdfgrep -i "License Number" SomeFile.pdf | grep -oE "[0-9-]+[A-Z][0-9-]+"

并将其放入一个变量中：

lic=$(pdfgrep -i "License Number" SomeFile.pdf | grep -oE "[0-9-]+[A-Z][0-9-]+")

因此，如果目录中有7,000个PDF文件，则需要转到该目录，并将以下内容保存为一个名为NameByLicence的脚本

#!/bin/bash
# Don't barf if no files, or if upper or lower case names
shopt -s nullglob nocaseglob

for f in *.pdf; do
    lic=$(pdfgrep -i "License Number" "$f" | grep -oE "[0-9-]+[A-Z][0-9-]+")
    # Check licence is at least 15 characters, else do nothing
    if [ ${#lic} -gt 15 ]; then
       echo mv "$f" "${lic}.pdf"
    fi
done

保存脚本后，使用以下命令使其可执行(只需一次)：

chmod +x NameByLicence

然后您可以使用以下方法运行：

./NameByLicence

请先备份，然后对几个虚拟文件进行测试

如果它看起来是正确的，删除单词echo，它实际上会进行名称更改--此时它只是告诉您它将做什么，而不是做任何事情。

选项2

如果您不想使用homebrew和pdfgrep，您可以使用本机OSX工具来完成，但这有点困难。基本上，您可以创建一个自动工作流程，将PDF中的文本提取为临时文本文档，然后将其从UTF-16转换为ASCII和grep。如果这对你有意义的话，下面是几个步骤：

创建一个如下所示的Automator工作流：

​

​

通过使用/tmp并键入/tmp，可以在“将输出保存到”字段中获取/tmp。选中“替换现有文件”框，以便当上一个文件中的许可存在时，它仍然适用于您的第二个。

将其保存为“作为应用程序”，称为pdf2text。现在您可以运行以下代码而不是pdfgrep

./pdf2text.app/Contents/MacOS/"Application Stub" SomeFile.pdf

并将文本提取到/tmp/licence.txt中。但是您还没有完成，因为这是UTF-16，所以，要在文件中搜索，您需要：

iconv -c -f UTF-16 -t ASCII /tmp/licence.txt | grep -oE "[0-9A-Z-]{17,}" 
9-91-053-01-4L-04292

所以，现在您需要将它放在上面的小for脚本中的bash循环中。

Answer 3

我也遇到了类似的问题，我想用从pdf文件中提取的内容重命名一堆pdf文件(在这种情况下是日期)。起初，我只想用pdfgrep进行bash，但是brew的安装在我身上爆炸了(似乎公式没有更新)。

对我来说起作用的是Automator将pdf内容提取为文本，然后是一个快速而肮脏的脚本来提取文本并重命名。见所附的自动程序操作屏幕截图：

• 第一部分清理临时目录(在我的例子中，将pdfs复制到"renaming_pdfs“中)。
• 将文本提取到rtf中
• 脚本获取要将文件重命名为的文本(在本例中，行的内容跟随"US4")并重命名文件

​

​