我必须解析PDF文件，这些文件在Hadoop的Map Reduce程序中的HDFS中。因此，我从HDFS获得PDF文件，作为Input splits，并且必须对其进行解析并将其发送到Mapper类。为了实现这个InputFormat，我已经浏览了这个链接。如何解析这些输入拆分并将其转换为文本格式？
在Hadoop中处理PDF文件可以通过扩展FileInputFormat类来完成。让扩展它的类为WholeFileInputFormat。在WholeFileInputFormat类中，覆盖getRecordReader（）方法。现在，每个pdf都将作为单独输入拆分接收。然后可以解析这些单独的拆分来提取文本。此链接提供了一个了解如何扩展FileInputFormat的清晰示例。
这取决于您的拆分。我认为（可能是错误的）你需要将每个PDF作为一个整体来解析它。有Java库可以做到这一点，谷歌知道它们在哪里。
考虑到这一点，当你准备好解析文件时，你需要使用一种方法，将文件作为一个整体。假设你想在映射器中这样做，你需要一个阅读器将整个文件交给映射器。你可以写自己的读者来做这件事，或者可能已经有了。您可以构建一个读取器，扫描PDF的目录，并将每个文件的名称作为键传递到映射器，将内容作为值传递。