需要使用Map Reduce / Apache Hadoop处理MS Word文档

Question

我一直在研究Hadoop / MR项目，该项目需要处理MS word文档并从中生成一些输出。该文件的格式如下 -

  

PARAGRAPH1

     

.......

     

.......

     

PARAGRAPH2

     

.......

     

.......

问题是双管齐下 -

1. 哪个InputFormat适用于MS word couments，我知道TeXtInputReader不应该在这里工作，如果我错了请纠正我。
2. 我需要明智地解析文档，而不是行，所以我需要为此编写自定义RecordReader吗？如果是的话，是否有任何指针？

对此的任何帮助都会非常有用。