问需要使用Tesseract API实现批量PDF提取

EN

我有大量的PDF文档，我需要从中提取文本。用于进一步处理的提取文本。我以线性的方式使用Tesseract API对一小部分文档进行了这一操作，并获得了所需的输出。然而，当我有大量的文件时，这需要很长时间。

我尝试使用Hadoop环境处理功能(Map)和存储(HDFS)来解决这个问题。然而，我面临着将Tesseract API实现到Hadoop (Map)方法中的问题。当Teserract将这些文件转换为中间图像文件时，我对在HDFS中如何处理Tesseract-API-进程的中间结果图像文件感到困惑。

我已经搜索过，但没有成功地尝试了几个选项，比如：

1. 我通过使用Hadoop Reduce将FileInputFormat类扩展到我自己的PdfInputFormat类来从pdf中提取文本，为此我使用Apache PDFBox从PDF中提取文本，但是当涉及到包含图像的扫描-pdf时，这个解决方案并没有给我所需的结果。
2. 在相同的主题上，我发现了很少的答案，说明使用-Fuse，这将有助于或者应该在本地生成图像文件，而不是将这些文件上传到hdfs中进行进一步处理。不确定这是否是正确的方法。

想知道解决这个问题的方法。