私は以下の問題があります。HDFSに格納された複数のファイルを含む圧縮ディレクトリを含むディレクトリがあるとします。私はつまり、型Tの一部のオブジェクトからなるRDDを作成したい:Sparkの圧縮ファイルから全文ファイルを読む
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;
});
今inputDataPath
が、これは完全に正常に動作したファイルを含むディレクトリが、あるとき、すなわち、それはだときのようなもの:
String inputDataPath = "hdfs://some_path/*/*/"; // because it contains subfolders
しかし、複数のファイルを含むtgzがある場合、ファイルの内容(fileNameContent._2()
)は私に役に立たないバイナリ文字列(かなり期待されます)を取得します。私はsimilar question on SOを見つけましたが、解決方法はそれぞれの圧縮が1つのファイルのみで構成されているためです。私の場合は、ファイル全体として個別に読みたい多くのファイルがあります。私もquestion約wholeTextFiles
を見つけましたが、これは私のケースでは機能しません。
どのようにすればいいですか?
EDIT:
私は(機能testTarballWithFolders()
のように、hereから読者をテストしようとしている)hereからリーダーを試してみましたが、私は
TarballReader tarballReader = new TarballReader(fileName);
を呼び出すと、私はNullPointerException
を取得するたびに:
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)
0125358の行は、私は私のポストの編集上部を示したものであり、TarballReader
からのライン61は、上部ラインに入力ストリームin
にnull値与える
GZIPInputStream gzip = new GZIPInputStream(in);
ある:
InputStream in = this.getClass().getResourceAsStream(tarball);
午前私は正しい道にここにいる?もしそうなら、どうすればいいですか?なぜこのヌル値が得られ、どうすれば修正できますか?
は、Uをしました参照してください:http://stackoverflow.com/questions/24402737/how-to-read-gz-files-in-spark-using-wholetextfiles –
はい、私の質問に書いた - それは私の場合は動作しません。 'パス'では、私は圧縮のパスをもう一度得ます。これは役に立たないです。 – Belphegor
これは "ヌルポインタの例外とは何ですか?それを避けるにはどうすればいいですか"の複製です –