Como posso obter os números de página apenas de um padrão em um arquivo pdf, independentemente de o padrão ser multilinha?

Question

Eu acho os números de página de um padrão multilinha em um arquivo pdf, por Como devo grep um padrão de várias linhas em um arquivo pdf e em um arquivo de texto? e

$ pdfgrep -Pn '(?s)image\s+?not\s+?available'  main_text.pdf 
49: image
   not
available
51: image
   not
available
53: image
   not
available
54: image
   not
available
55: image
   not
available

Eu gostaria de extrair apenas o número da página, mas como o padrão é multilinha, recebo

$ pdfgrep -Pn '(?s)image\s+?not\s+?available'  main_text.pdf | awk -F":" '{print $1}'
49
   not
available
51
   not
available
53
   not
available
54
   not
available
55
   not
available

em vez de

49
51
53
54
55

Gostaria de saber como posso extrair apenas os números das páginas, independentemente de o padrão ser multilinha? Obrigado.

    

Answer 1

É um pouco hacky, mas como você já usa um RE compatível com perl, pode usar o modificador \K "keep left" para corresponder a tudo na sua expressão (e qualquer outra coisa até o fim da próxima linha), mas excluí-la da saída:

pdfgrep -Pn '(?s)image\s+?not\s+?available.*?$\K'  main_text.pdf

A saída ainda incluirá o separador : , no entanto.

    

Answer 2

Adicione $0~":" como reconhecedor do awk. Ou seja, você pega a linha:

 .... | awk -F":" '$0~":"{print $1}'

Com isso, a impressão será apenas quando a linha de entrada tiver um ":" e outras linhas forem descartadas.