首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

Spark Excel :类org.apache.commons.compress.archivers.zip.ZipArchiveInputStream未实现InputStreamStatistics

Spark Excel是一个用于处理Excel文件的开源项目,它是基于Apache Spark的分布式计算框架开发的。Spark Excel提供了一种高效的方式来读取、处理和写入Excel文件,可以在大规模数据集上进行分布式处理。

类org.apache.commons.compress.archivers.zip.ZipArchiveInputStream是Apache Commons Compress库中的一个类,用于读取ZIP压缩文件的输入流。它实现了InputStreamStatistics接口,该接口用于统计输入流的读取操作。

在Spark Excel中,类org.apache.commons.compress.archivers.zip.ZipArchiveInputStream未实现InputStreamStatistics接口,这意味着它无法提供输入流的统计信息。这可能会导致在使用Spark Excel读取ZIP压缩文件时无法获取输入流的读取统计数据。

对于这个问题,可以考虑以下解决方案:

  1. 查看Spark Excel的文档和源代码,了解其对ZIP压缩文件的处理方式,以确定是否有其他方式可以获取输入流的统计信息。
  2. 考虑使用其他库或工具来读取ZIP压缩文件并获取输入流的统计信息,例如Java的java.util.zip包或其他第三方库。
  3. 如果输入流的统计信息对你的应用程序很重要,可以考虑自己实现一个类似的功能,通过扩展ZipArchiveInputStream类并实现InputStreamStatistics接口来实现输入流统计功能。

需要注意的是,以上解决方案仅供参考,具体的实现方式取决于具体的需求和技术栈。在实际应用中,建议根据具体情况选择最合适的解决方案。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • java压缩/解压war包

    package com.kingsoft.unwar;import java.io.BufferedInputStream;import java.io.BufferedOutputStream;import java.io.File;import java.io.FileInputStream;import java.io.FileNotFoundException;import java.io.FileOutputStream;import java.io.IOException;import java.io.OutputStream;import java.util.Iterator;import org.apache.commons.compress.archivers.ArchiveException;import org.apache.commons.compress.archivers.ArchiveInputStream;import org.apache.commons.compress.archivers.ArchiveOutputStream;import org.apache.commons.compress.archivers.ArchiveStreamFactory;import org.apache.commons.compress.archivers.jar.JarArchiveEntry;import org.apache.commons.compress.archivers.zip.ZipArchiveEntry;import org.apache.commons.compress.utils.IOUtils;import org.apache.commons.io.FileUtils;/** * 处理WAR文件工具类。可压缩或解压缩WAR文件。 * * @author Xiong Shuhong(shelltea@gmail.com) */public class WarUtils { public static void unzip(String warPath, String unzipPath) { File warFile = new File(warPath); if(warFile.isDirectory()){ for(String fileName : warFile.list()){ System.out.println(fileName); if(fileName.trim().endsWith(“.war”)){ System.out.println(“————-“); warPath = warPath + File.separator + fileName; System.out.println(warPath); warFile = new File(warPath); break; } } }else{ return; } try { BufferedInputStream bufferedInputStream = new BufferedInputStream(new FileInputStream(warFile)); ArchiveInputStream in = new ArchiveStreamFactory().createArchiveInputStream(ArchiveStreamFactory.JAR, bufferedInputStream); JarArchiveEntry entry = null; while ((entry = (JarArchiveEntry) in.getNextEntry()) != null) { if (entry.isDirectory()) { new File(unzipPath, entry.getName()).mkdir(); } else { OutputStream out = FileUtils.openOutputStream(new File(unzipPath, entry.getName())); IOUtils.copy(in, out); out.close(); } } in.close(); } catch (FileNotFoundException e) { System.err.println(“未找到war文件”); } catch (ArchiveException e) { System.err.println(“不支持的压缩格式”); } catch (IOException e) { System.err.println(“文件写入发生错误”); } } public static void zip(String destFile, Strin

    01

    大数据技术之_24_电影推荐系统项目_06_项目体系架构设计 + 工具环境搭建 + 创建项目并初始化业务数据 + 离线推荐服务建设 + 实时推荐服务建设 + 基于内容的推荐服务建设

    用户可视化:主要负责实现和用户的交互以及业务数据的展示, 主体采用 AngularJS2 进行实现,部署在 Apache 服务上。(或者可以部署在 Nginx 上)   综合业务服务:主要实现 JavaEE 层面整体的业务逻辑,通过 Spring 进行构建,对接业务需求。部署在 Tomcat 上。 【数据存储部分】   业务数据库:项目采用广泛应用的文档数据库 MongDB 作为主数据库,主要负责平台业务逻辑数据的存储。   搜索服务器:项目采用 ElasticSearch 作为模糊检索服务器,通过利用 ES 强大的匹配查询能力实现基于内容的推荐服务。   缓存数据库:项目采用 Redis 作为缓存数据库,主要用来支撑实时推荐系统部分对于数据的高速获取需求。 【离线推荐部分】   离线统计服务:批处理统计性业务采用 Spark Core + Spark SQL 进行实现,实现对指标类数据的统计任务。   离线推荐服务:离线推荐业务采用 Spark Core + Spark MLlib 进行实现,采用 ALS 算法进行实现。   工作调度服务:对于离线推荐部分需要以一定的时间频率对算法进行调度,采用 Azkaban 进行任务的调度。 【实时推荐部分】   日志采集服务:通过利用 Flume-ng 对业务平台中用户对于电影的一次评分行为进行采集,实时发送到 Kafka 集群。   消息缓冲服务:项目采用 Kafka 作为流式数据的缓存组件,接受来自 Flume 的数据采集请求。并将数据推送到项目的实时推荐系统部分。   实时推荐服务:项目采用 Spark Streaming 作为实时推荐系统,通过接收 Kafka 中缓存的数据,通过设计的推荐算法实现对实时推荐的数据处理,并将结果合并更新到 MongoDB 数据库。

    05

    扫码

    添加站长 进交流群

    领取专属 10元无门槛券

    手把手带您无忧上云

    扫码加入开发者社群

    热门标签

    活动推荐

      运营活动

      活动名称
      广告关闭
      领券