如何在pdf和doc文件上運行Hadoop wordcount程序？

如何在pdf和doc文件上運行Hadoop wordcount程序？ 當我嘗試在pdf文件上運行它時，輸出會顯示奇怪的字符。如何在pdf和doc文件上運行Hadoop wordcount程序？

這篇文章可能會幫助你進一步得到：http://stackoverflow.com/a/9298965 – 2013-03-09 09:03:11

您提到的文件格式是二進制文件，不適合作爲字數的輸入，而無需將其預處理爲純文本。您將首先必須使用其他工具/庫將它們轉換爲純文本格式。

有可能有一些免費的命令行工具，可以幫助你做到這一點。

2013-03-08 20:43:29 Javanator

聲明，二進制文件格式不適合作爲輸入，你需要轉換爲純文本是完全錯誤的，最高效的Hadoop程序使用二進制輸入，因爲它避免瞭解析輸入的需要，從而提高了效率。 – 2013-03-09 20:18:35

Hadoop並不侷限於處理明文文件，當然你也可以處理二進制文件，例如SequenceFile s是Hadoop中最常見的二進制格式，但是如果你想要一個自定義的二進制格式，你也可以通過實施您自己的InputFormat和RecordReader。

2013-03-09 20:17:17

回答