java读取整个文本文件,Java-从压缩中读取整个文本文件

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 HDFSS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 filesRDD = context.wholeTextFiles(inputDataPath);

JavaPairRDD filesRDD = context.wholeTextFiles(inputDataPath);

JavaRDD 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 job得非常好，也就是说，当它类似于：

String inputDataPath = "hdfs://some_path/*/*/"; // because it contains subfolders

但是，当有一个包含多个文件的TGZ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)。我在So上发现了一个类似的问题，但情况不同，因为当每个压缩只包含一个文件时，解决方案就存在了，在我的例子中，还有许多其他文件，我希望作为整个文件单独读取。我还发现了一个关于完整文本文件的问题，但在我的案例中这不起作用。

你知道怎么做吗？

编辑：

我尝试从这里使用读卡器(尝试从这里 test读卡器，就像在函数testtarballWithFolders()中一样)，但每当我调用

TarballReader tarballReader = new TarballReader(fileName);

我得到nullpointerException：

java.lang.NullPointerException

at java.util.zip.InflaterInputStream.(InflaterInputStream.java:83)

at java.util.zip.GZIPInputStream.(GZIPInputStream.java:77)

at java.util.zip.GZIPInputStream.(GZIPInputStream.java:91)

at utils.TarballReader.(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)

主公园的105行是我在编辑这篇文章时在上面显示的那一行，而tarballreader的61行是

GZIPInputStream gzip = new GZIPInputStream(in);

上面一行中的输入流的值为空：

InputStream in = this.getClass().getResourceAsStream(tarball);

我走对了吗？如果是，如何继续？为什么我要得到这个空值，如何修复它？