我无法用pig加载Microsoft Word文档（.doc或.docx）。事实上，当我尝试这样做时，通过使用TextLoader（）、PigStorage（）或根本不使用加载器，它都不起作用。输出是一些奇怪的符号。
我听说我可以用JAVA编写一个自定义加载程序，但这似乎真的很难，我并不低估我们目前如何编写其中一个。
我想把所有.doc文件的内容放在一个单独的字符数组包里，这样我以后就可以使用过滤功能来处理它
我该怎么办？
感谢
他们是对的。由于.doc和.docx是二进制格式，因此简单的文本加载程序无法工作。您可以编写UDF以将文件直接加载到Pig中，也可以进行一些预处理，将所有.doc和.docx文件转换为.txt文件，以便Pig加载这些.txt文件。此链接可以帮助您开始寻找转换文件的方法。
不过，我还是建议您学习编写UDF。预处理文件将增加可以避免的大量开销。
更新：以下是我过去用于编写java（Load）UDF的一些资源。一，二。