java通过Spark中的压缩读取全文文件
我有以下问题:假设我有一个包含压缩目录的目录,其中包含多个文件,存储在HDFS上。我想创建一个RDD,它包含一些T类型的对象,即:
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;
});
现在,当inputDataPath
是一个包含文件的目录时,它工作得非常好,即当它类似于:
String inputDataPath = "hdfs://some_path/*/*/"; // because it contains subfolders
但是,当tgz包含多个文件时,文件内容(fileNameContent._2()
)会给我一些无用的二进制字符串(这是意料之中的)。我发现了一个similar question on SO,但情况不同,因为解决方案是每次压缩只包含一个文件,而在我的例子中,还有许多其他文件,我希望将它们作为整个文件单独读取。我还发现了一个关于wholeTextFiles
的question,但这在我的例子中不起作用
有什么办法吗
编辑:
我尝试从here使用读卡器(尝试从here测试读卡器,就像在函数testTarballWithFolders()
中一样),但每次调用
TarballReader tarballReader = new TarballReader(fileName);
我得到NullPointerException
:
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$collect$1$$anonfun$12.apply(RDD.scala:927)
at org.apache.spark.rdd.RDD$$anonfun$collect$1$$anonfun$12.apply(RDD.scala:927)
at org.apache.spark.SparkContext$$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)
{
GZIPInputStream gzip = new GZIPInputStream(in);
这为上行中的输入流in
提供了一个空值:
InputStream in = this.getClass().getResourceAsStream(tarball);
我走的路对吗?如果是,我如何继续?为什么我会得到这个空值,如何修复它
# 1 楼答案
对公认答案的一点改进是改变
Option(tar.getNextTarEntry)
到
Try(tar.getNextTarEntry).toOption.filter( _ != null)
以健壮的方式处理格式错误/截断的
.tar.gz
顺便问一下,缓冲区数组的大小有什么特别之处吗?如果它更接近平均文件大小(在我的例子中可能是500k),平均速度会更快吗?或者我看到的减速更可能是
Stream
相对于while
循环的开销,我想这更像Java风格# 2 楼答案
一种可能的解决方案是使用
binaryFiles
读取数据并手动提取内容Scala:
Java的完整使用示例:https://bitbucket.org/zero323/spark-multifile-targz-extract/src
Python: