需要使用Tesseract API实现批量PDF提取
问题描述：
我有大量的PDF文档，我需要从中提取文本。提取的文本我用于进一步处理。我使用线性方法对Tesseract API中的一小部分文档进行了处理，并获得了所需的输出。但是，当我拥有大量文档时，这需要很长时间。需要使用Tesseract API实现批量PDF提取
我试图使用Hadoop环境处理功能（Map-Reduce）和存储（HDFS）来解决这个问题。但是，我正面临将Tesseract API应用于Hadoop（Map-Reduce）方法的问题。当Teserract将文件转换为中间图像文件时，我很困惑如何在HDFS内部处理Tesseract-API进程的中间结果图像文件。
我已搜查和unsuccesfully尝试了几个选项前面，如：
我已经使用Hadoop-的map-reduce扩展FileInputFormat类到我自己的PdfInputFormat类，为此，我使用的Apache提取从PDF文本PDFBox从pdf中提取文本，但是当涉及到包含图像的扫描pdf时，此解决方案不会提供所需的结果。
我在同一主题上找到了几个答案，声明使用-Fuse，这将有助于或应该在本地生成图像文件，并将其上传到hdfs进行进一步处理。不知道这是否是正确的方法。
想知道这个方法。
答
这是发现处理多个PDF的使用Hadoop框架的功率来提取文本，然后使用该文本以供进一步处理的方法：
- 把所有的PDF文件被转换在一个为文本夹。
- 为每个pdf创建一个文本文件以包含pdf的路径。例如如果我有10个pdf文件进行转换，那么我会生成10个文本文件，每个文件都包含相应pdf的唯一路径。
- 这些文本文件在map-reduce程序中作为输入给出
- 由于输入文件的大小非常小，因此1个输入的框架仅生成1个输入拆分。例如，如果我有10个pdf作为输入，那么框架将生成10个输入分割。
- 从每个输入拆分一行（记录）由记录读取器读取并作为值传递给一个映射器。因此，如果输入文本文件中有10条记录（行==文件路径），则10次映射器将运行。由于每个输入分割都有一条记录，因此一个映射器减速器被分配为为该输入分割执行任务。
- 由于我有10个输入分割10映射器将运行，并行。
- Mapper ghost脚本内部生成图像，并从Mapper value属性传递文件名。使用映射器内部的Tesseract将图像转换为文本以获取每个pdf的文本。这是输出。
- 传递给reducer根据需要进行其他分析工作。
这是当前的解决方案。希望对此有所反馈。
Apache Tika使用Apache PDFBox呈现文件，然后用tesseract做OCR，也许这是给你的...... –
@TilmanHausherr谢谢你的回应。我可以使用Map Reduce方法做这项工作吗？请尽可能详细说明/分享一些例子。 – Bonson
对不起，我无法帮助其余的。我只是因为PDFBox才来到这里。 –