Читайте целые текстовые файлы из сжатия в Spark
У меня следующая проблема: предположим, что у меня есть каталог, содержащий сжатые каталоги, которые содержат несколько файлов, хранящихся в HDFS. Я хочу создать RDD, состоящий из нескольких объектов типа T, т.е.
context = new JavaSparkContext(conf);
JavaPairRDD<String, String> filesRDD = context.wholeTextFiles(inputDataPath);
JavaPairRDD<String, String> filesRDD = context.wholeTextFiles(inputDataPath);
JavaRDD<T> processingFiles = filesRDD.map(fileNameContent -> {
// The name of the file
String fileName = fileNameContent._1();
// The content of the file
String content = fileNameContent._2();
// Class T has a constructor of taking the filename and the content of each
// processed file (as two strings)
T t = new T(content, fileName);
return t;
});
Теперь когдаinputDataPath
это каталог, содержащий файлы, это прекрасно работает, то есть когда это что-то вроде:
String inputDataPath = "hdfs://some_path/*/*/"; // because it contains subfolders
Но когда есть tgz, содержащий несколько файлов, содержимое файла (fileNameContent._2()
) получает мне какую-то бесполезную двоичную строку (вполне ожидаемо). Я нашеланалогичный вопрос по SO, но это не тот случай, потому что есть решение, когда каждое сжатие состоит только из одного файла, и в моем случае есть много других файлов, которые я хочу прочитать по отдельности как целые файлы. Я также нашелвопрос околоwholeTextFiles
, но это не работает в моем случае.
Есть идеи как это сделать?
РЕДАКТИРОВАТЬ:
Я пытался с читателем изВот (пытаясь проверить читателя отВоткак в функцииtestTarballWithFolders()
), но всякий раз, когда я звоню
TarballReader tarballReader = new TarballReader(fileName);
и я получаюNullPointerException
:
java.lang.NullPointerException
at java.util.zip.InflaterInputStream.<init>(InflaterInputStream.java:83)
at java.util.zip.GZIPInputStream.<init>(GZIPInputStream.java:77)
at java.util.zip.GZIPInputStream.<init>(GZIPInputStream.java:91)
at utils.TarballReader.<init>(TarballReader.java:61)
at main.SparkMain.lambda$0(SparkMain.java:105)
at main.SparkMain$Lambda$18/1667100242.call(Unknown Source)
at org.apache.spark.api.java.JavaPairRDD$anonfun$toScalaFunction$1.apply(JavaPairRDD.scala:1015)
at scala.collection.Iterator$anon$11.next(Iterator.scala:328)
at scala.collection.Iterator$class.foreach(Iterator.scala:727)
at scala.collection.AbstractIterator.foreach(Iterator.scala:1157)
at scala.collection.generic.Growable$class.$plus$plus$eq(Growable.scala:48)
at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:103)
at scala.collection.mutable.ArrayBuffer.$plus$plus$eq(ArrayBuffer.scala:47)
at scala.collection.TraversableOnce$class.to(TraversableOnce.scala:273)
at scala.collection.AbstractIterator.to(Iterator.scala:1157)
at scala.collection.TraversableOnce$class.toBuffer(TraversableOnce.scala:265)
at scala.collection.AbstractIterator.toBuffer(Iterator.scala:1157)
at scala.collection.TraversableOnce$class.toArray(TraversableOnce.scala:252)
at scala.collection.AbstractIterator.toArray(Iterator.scala:1157)
at org.apache.spark.rdd.RDD$anonfun$collectТеперь когда$anonfun$12.apply(RDD.scala:927)
at org.apache.spark.rdd.RDD$anonfun$collectТеперь когда$anonfun$12.apply(RDD.scala:927)
at org.apache.spark.SparkContext$anonfun$runJob$5.apply(SparkContext.scala:1858)
at org.apache.spark.SparkContext$anonfun$runJob$5.apply(SparkContext.scala:1858)
at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:66)
at org.apache.spark.scheduler.Task.run(Task.scala:89)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:214)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)
Линия 105 вMainSpark
это тот, который я показал вверху при редактировании поста, и строка 61 изTarballReader
является
GZIPInputStream gzip = new GZIPInputStream(in);
который дает нулевое значение для входного потокаin
в верхней строке:
InputStream in = this.getClass().getResourceAsStream(tarball);
Я на правильном пути здесь? Если так, как я продолжу? Почему я получаю это нулевое значение и как я могу это исправить?