hadoop - 如何在 Hadoop 中访问和操作 pdf 文件的数据？

Question

我想用hadoop读取PDF文件，怎么可能？我只知道hadoop只能处理txt文件，所以有没有把pdf文件解析成txt的。

给我一​​些建议。

Answer 1

一个简单的方法是创建一个 SequenceFile包含 PDF 文件。 SequenceFile 是一种二进制文件格式。您可以将 SequenceFile 中的每条记录都制作成 PDF。为此，您将创建一个派生自 Writable 的类。其中将包含 PDF 和您需要的任何元数据。然后您可以使用任何 Java PDF 库，例如 PDFBox操作 PDF。