Apache pig 如何使用PIG UDF和Apache Tika从PDF中提取文本？

我正试图编写一个PIG eval函数（UDF），使用apachetika从pdf文件中提取文本。但是，每当我尝试运行函数时，函数只向输出写入0或1个字节。如何修复我的代码

public class ExtractTextFromPDFs extends EvalFunc<String> {

  @Override
  public String exec(Tuple input) throws IOException {
      String pdfText;

      if (input == null || input.size() == 0 || input.get(0) == null) {
          return "N/A";
      }

      DataByteArray dba = (DataByteArray)input.get(0);
      InputStream is = new ByteArrayInputStream(dba.get());
      ContentHandler contenthandler = new BodyContentHandler();
      Metadata metadata = new Metadata();
      Parser pdfparser = new AutoDetectParser();

      try {
        pdfparser.parse(is, contenthandler, metadata, new ParseContext());
      } catch (SAXException | TikaException e) {
        e.printStackTrace();
      }
      pdfText = contenthandler.toString();

      //close the input stream
      if(is != null){
        is.close();
      }
      return pdfText;
  }
}

公共类extractTextFromPDF扩展了EvalFunc{
@凌驾
公共字符串exec（元组输入）引发IOException{
字符串pdfText；
if（input==null | | input.size（）==0 | | input.get（0）==null）{
返回“不适用”；
}
DataByteArray dba=（DataByteArray）input.get（0）；
InputStream is=newbytearrayinputstream（dba.get（））；
ContentHandler ContentHandler=新的BodyContentHandler（）；
元数据=新元数据（）；
Parser pdfparser=new AutoDetectParser（）；
试一试{
parse（is，contenthandler，metadata，new ParseContext（））；
}捕获（SAXException | TIKAE异常）{
e、 printStackTrace（）；
}
pdfText=contenthandler.toString（）；
//关闭输入流
如果（is！=null）{
is.close（）；
}
返回pdfText；
}
}

---

我使用'c=foreach b generate extractTextFromPDF（content）；'运行代码其中b是pdf，内容是bytearray。

如果在调试器中单步执行代码，参数“input”是什么样子的？您正在使用的代码看起来与stackoverflow answer中的代码类似，区别在于它们使用PDFParser而不是AutoDetectParser，并且它们直接从FileInputStream而不是元组获取内容。