web-dev-qa-db-ja.com

Spark）の圧縮からテキストファイル全体を読み取ります

次の問題があります。HDFSに保存されている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。タイプTのいくつかのオブジェクトで構成されるRDDを作成したい、つまり：

_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;
});
_

inputDataPathがファイルを含むディレクトリである場合、これは完全に正常に機能します。つまり、次のような場合です。

_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()）によって、役に立たないバイナリ文字列が取得されます（かなり期待されます）。 SOに関する同様の質問 を見つけましたが、同じケースではありません。各圧縮が1つのファイルのみで構成されている場合に解決策があり、私の場合は他にも読みたいファイルがたくさんあるからです。ファイル全体として個別に。 question about wholeTextFilesも見つかりましたが、私の場合は機能しません。

これを行う方法はありますか？

編集：

ここ からリーダーを試してみました（関数testTarballWithFolders()のように、 ここ からリーダーをテストしようとしています）が、呼び出すたびに

_TarballReader tarballReader = new TarballReader(fileName);
_

NullPointerExceptionを取得します：

_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)
_

MainSparkの105行目は、投稿の編集で上部に表示した行であり、TarballReaderの61行目は

_GZIPInputStream gzip = new GZIPInputStream(in);
_

これは、上の行の入力ストリームinにnull値を与えます。

_InputStream in = this.getClass().getResourceAsStream(tarball);
_

私はここで正しい道を進んでいますか？もしそうなら、どうすれば続行できますか？なぜこのnull値を取得し、どうすれば修正できますか？

javahadoopapache-sparkhdfscompression
12
Belphegor

考えられる解決策の1つは、binaryFilesを使用してデータを読み取り、コンテンツを手動で抽出することです。

Scala：

import org.Apache.commons.compress.compressors.gzip.GzipCompressorInputStream
import org.Apache.commons.compress.archivers.tar.TarArchiveInputStream
import org.Apache.spark.input.PortableDataStream
import scala.util.Try
import Java.nio.charset._

def extractFiles(ps: PortableDataStream, n: Int = 1024) = Try {
  val tar = new TarArchiveInputStream(new GzipCompressorInputStream(ps.open))
  Stream.continually(Option(tar.getNextTarEntry))
    // Read until next exntry is null
    .takeWhile(_.isDefined)
    // flatten
    .flatMap(x => x)
    // Drop directories
    .filter(!_.isDirectory)
    .map(e => {
      Stream.continually {
        // Read n bytes
        val buffer = Array.fill[Byte](n)(-1)
        val i = tar.read(buffer, 0, n)
        (i, buffer.take(i))}
      // Take as long as we've read something
      .takeWhile(_._1 > 0)
      .map(_._2)
      .flatten
      .toArray})
    .toArray
}

def decode(charset: Charset = StandardCharsets.UTF_8)(bytes: Array[Byte]) = 
  new String(bytes, StandardCharsets.UTF_8)

sc.binaryFiles("somePath").flatMapValues(x => 
  extractFiles(x).toOption).mapValues(_.map(decode()))

libraryDependencies += "org.Apache.commons" % "commons-compress" % "1.11"

Javaでの完全な使用例： https://bitbucket.org/zero323/spark-multifile-targz-extract/src

Python：

import tarfile
from io import BytesIO

def extractFiles(bytes):
    tar = tarfile.open(fileobj=BytesIO(bytes), mode="r:gz")
    return [tar.extractfile(x).read() for x in tar if x.isfile()]

(sc.binaryFiles("somePath")
    .mapValues(extractFiles)
    .mapValues(lambda xs: [x.decode("utf-8") for x in xs]))
27
zero323

受け入れられた答えのわずかな改善は変更することです

Option(tar.getNextTarEntry)

に

Try(tar.getNextTarEntry).toOption.filter( _ != null)

不正な形式/切り捨てられた.tar.gzsと堅牢な方法で対処します。

ところで、バッファ配列のサイズについて何か特別なことはありますか？平均ファイルサイズ（私の場合は500k）に近ければ、平均して速くなりますか？または、JavaっぽいStreamループと比較して、whileのオーバーヘッドが発生する可能性が高いと思います。

0
Neil Best