grep e pdftotxt "Tentam" descobrir a concorrencia do Concurso SECAD TO 2008

OAnexo I do Concurso Público para Provimento de Cargos do Quadro Geral de Servidores do Poder Executivo do Estado de Tocantins - 2008, que esta no site da Unitins, contém a relaçao de todos os inscritos deste concurso e suas respectivas vagas e código da vaga. Mas esqueceram de colocar uma relação com a concorrencia (candidatos / vaga).
Contar cargo por cargo em mais de 2100 paginas é um trabalho pra doido.
Para facititar esta tarefa temos duas ferramentas que podem ajudar muito.
Uma é pdftotext, que converte um arquivo de extencao PDF para texto puro, faça assim:

pdftotext arquivo.pdf arquivo.txt

Para nosso caso podemos utilizar assim

pdftotext [63364420737614750]anexoI.pdf anexoI.txt

Agora com o comando grep tem a capacidade de buscar e contar a ocorrencia de "palavras" dentro de arquivos de texto puro. Por exemplo vamos verificar a ocorrencia do cargo Analista em Tecnologia da Informação, dentro do arquivo anexoI.txt desta maneira

grep --count "Analista em Tecnologia da Informação"
anexoI.txt

E a resposta foi 464, ou seja, 464/107(vagas) aproximadamente 4 candidatos por vaga...
Ops! Hei, mas tem vaga para Analista em Tecnologia da Informação em vários outros Municipios!
Essa foi apenas uma tentativa de data mining frustada... mas pelo menos pode-se descobrir a quantidade de inscritos por cargo.
O problema está na conversão que o pdftotext faz, pois os dados estão tabulados (em tabelas), quando o pdftotext pega o texto de uma tabela ele passa primeiro na primeira coluna e depois vai para a próxima coluna. Se a primeira coluna tem nomes, os nomes são colocados um do lado do outro na mesma linha.
Observação: os comandos grep e pdftotext estão disponíves para GNU/Linux, recomendo o livro Comandos do Linux da Novatec