是否有任何Bigdata工具來處理PDF文件

Question

我必須處理PDF文件。 Bigdata中有沒有工具可以處理我的pdf文檔（半結構化數據）？例如 .. 如果我的PDF文檔包含摘要或動作等任何主題，那麼我必須檢索那些沒有任何頁腳的段落。 現在我正在使用pdfBox & java API來提取我的pdf文檔，但是有沒有任何bigdata工具可以做同樣的提取？

Answer 1

我不知道有一種工具可以執行您想要執行的操作，但如果您可以設置Hadoop集羣（或使用Amazon AWS服務），那麼您可以輕鬆使用Hadoop流式傳輸來傳遞PDF文檔一個用戶定義的程序（你在java中應該可以正常工作）。

在this earlier SO question中有一個很好的示例，說明如何在定製的Java程序中使用Hadoop流。