我必须开发的更大目的如下：-
a) 仪表板，除了其他功能外，用户还可以上传文档（.pdf、.txt、.doc）。所有这些文件都进入一个特定的目录。
b) 用户还可以查询所有带有特定关键字标记的文档。
现在，我希望用它Hadoop来执行文档的标记。我的目标是通过使用选定单词的字典来实现这一点。现在一个.txt（或者也可能是一个.doc文件）将很容易处理。但是，据我了解，.pdf无法直接处理文件。我已经学会了如何使用Apache PDFBox. 但是我无法集成这两个，即 Hadoop 和 PDFBox。我想要做的是我的 Map-Reduce 程序接收 .txt/.pdf/.doc 文件的语料库作为输入，在 Map 开始运行之前，执行pdf to txt.
我该怎么办？我在想正确的方向吗？请帮忙。