如何使用上下文表作爲模式將文本文件保存爲配置單元

Question

我有許多文本格式（word和pdf）的項目報告。這些文件包含我想要提取的數據;如引用，關鍵字，提及的名字.......

我想用Apache spark處理這些文件並將結果保存到配置單元， 使用dataframe的強大功能（使用上下文表格作爲模式）那可能嗎？

願您與我分享有關如何處理這些文件的任何想法？

Answer 1

據我所知，您需要使用Tika來解析文件，並按here所述手動創建自定義模式。

讓我知道這是否有幫助。乾杯。