如何使用PIG UDF和Apache Tika从PDF中提取文本？

Question

我尝试编写PIG eval函数（UDF）以使用Apache Tika从pdf文件中提取文本。但是，每当我尝试运行该函数时，我的函数只会将0或1个字节写入输出。我怎么能修复我的代码？

public class ExtractTextFromPDFs extends EvalFunc<String> {

  @Override
  public String exec(Tuple input) throws IOException {
      String pdfText;

      if (input == null || input.size() == 0 || input.get(0) == null) {
          return "N/A";
      }

      DataByteArray dba = (DataByteArray)input.get(0);
      InputStream is = new ByteArrayInputStream(dba.get());
      ContentHandler contenthandler = new BodyContentHandler();
      Metadata metadata = new Metadata();
      Parser pdfparser = new AutoDetectParser();

      try {
        pdfparser.parse(is, contenthandler, metadata, new ParseContext());
      } catch (SAXException | TikaException e) {
        e.printStackTrace();
      }
      pdfText = contenthandler.toString();

      //close the input stream
      if(is != null){
        is.close();
      }
      return pdfText;
  }
}

我使用＆＃39; c = foreach b生成ExtractTextFromPDFs（内容）;＆＃39;其中b是pdf，内容是bytearray。