Hadoop bigdata：如何分析pst/电子邮件数据？

我在hdfs中有pst或电子邮件文件。 现在，我想用hadoop中最适合的组件进行文本分析。 我如何开始

我是否必须首先从这些文件中提取实际内容并将其存储在某个位置（例如，在文本文件中），然后对文本文件运行分析

请推荐我

---

p、 s：我是在谷歌搜索时遇到的。这是唯一的选择还是其他解决方案可用。

您尝试了什么？你走了多远？您遇到了哪些错误/问题？我已从outlook电子邮件中创建了示例文件，如（.pst），（.oft），（.msg），（.txt），（.mht），（.htm），并将这些文件加载到HDFS中。现在，我想从这些文件中提取内容并进行分析。我们是否需要使用apache tika来提取内容，或者通过哪个组件可以直接提取和分析数据？我是否可以使用Spark mllib来提取内部使用tika的内容。是这样吗？