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?