Parsing 使用hadoop中的mapreduce程序解析pdf文件

我需要解析PDF文件。我有一个java程序来解析PDF文件。（当我解析PDF时，我使用PDF中这些段落的字体信息。我不会将其转换为文本，因为如果我将PDF转换为文本文件，我将丢失我的字体信息。因此，我直接使用Apache PDFBox解析带有字体信息的PDF。我使用以下代码加载PDF文件

String inputFile = "/home/Desktop/CTT/bcreg20130702a.pdf";
File input = new File(inputFile);
pd = PDDocument.load(input);

现在我需要编写一个map reduce程序来解析PDF文档。我不能直接使用PDF文件作为mapreduce程序中map（）函数的输入。我使用WholeFileInputFormat将整个文档作为一个单独的拆分传递。但是它给了我BytesWritable（值）和filename（键）

我还有那个PDF的SequenceFileFormat

---

如何将PDFBox与此SequenceFileFormat或WholeFileInputFormat一起使用？它还应保留其字体信息。如果没有字体信息，我无法解析我的pdf。

Map Reduce需要HDFS的输入路径。因此，您可以将本地文件上载到HDFS（使用java API）您可以创建一个SequenceFile来包含PDF文件。SequenceFile是一种二进制文件格式。您可以将SequenceFile中的每个记录都设置为PDF。为此，您可以创建一个从Writable派生的类，该类将包含PDF和所需的任何元数据。然后您可以使用任何java PDF库（如PDFBox）来操作PDF。

您说过您正在使用自己的自定义InputFormat（WholeFileInputFormat） 使用PDDocument对象作为映射值，而不是BytesWritable， 并将pdf的全部内容加载到WholeFileRecordReader（custome Reader）的nextKeyValue（）中的PDDocument中。 还要确保ur isSplitable（）返回false，以便加载整个pdf