Parsing di un file PDF con Bash

  • Bash
  • Gabriele Romanato

Analizzare il contenuto di un file PDF direttamente da Bash può essere utile in vari contesti, come l’estrazione automatizzata di testi, la ricerca di parole chiave o la conversione in altri formati. In questo articolo vedremo come farlo usando strumenti da linea di comando disponibili su Linux.

Strumenti necessari

  • pdftotext – Parte del pacchetto poppler-utils, consente di convertire un PDF in testo semplice.
  • grep, awk, sed – Utili per manipolare e filtrare il testo una volta estratto.

Installazione di pdftotext

Sulla maggior parte delle distribuzioni Linux, puoi installare pdftotext con:

sudo apt update
sudo apt install poppler-utils

Estrazione del testo da un PDF

Per convertire un file PDF in testo semplice, usa il seguente comando:

pdftotext documento.pdf output.txt

Oppure, per stampare il contenuto direttamente su stdout:

pdftotext documento.pdf -

Esempio: estrarre righe contenenti una parola chiave

pdftotext documento.pdf - | grep "Fattura"

Parsing avanzato con awk

Supponiamo di voler estrarre una tabella con importi e date. Dopo la conversione, possiamo usare awk:

pdftotext documento.pdf - | awk '/Data/ {print $0; getline; print $0}'

Considerazioni finali

Il parsing di file PDF da Bash è semplice quando i PDF sono basati su testo e ben formattati. Tuttavia, in caso di layout complessi o PDF basati su immagini (scansionati), potresti dover usare strumenti OCR come tesseract.

Per flussi di lavoro automatizzati, combinare pdftotext con gli strumenti standard della shell Unix è una soluzione potente e facilmente estendibile.

Torna su