问用电火花拉链工作

EN

我在一个目录中有n个zip，我想提取其中的每一个，然后从一个或两个位于zip中的文件中提取一些数据，并将其添加到一个图形DB中。我已经为这件事做了一个顺序的python脚本，但是我不得不将它转换为sequential。我所有的zip都在HDFS目录中。图DB是Neo4j。我还没有学习如何与neo4j连接火花，但我被困在一个更初步的步骤。

我认为我的代码应该是这样的。

# Names of all my zips
zip_names = ["a.zip", "b.zip", "c.zip"]

# function extract_&_populate_graphDB() returns 1 after doing all the work.
# This was done so that a closure can be applied to start the spark job.
sc.parallelize(zip_names).map(extract_&_populate_grapDB).reduce(lambda a, b: a+b)

我不能做的测试，这是如何提取拉链和读取文件内。我能够通过sc.textFile读取zip，但是在运行take(1)时，它返回十六进制数据。

那么，在压缩中读取并提取数据是可能的吗？或者，在将数据放入HDFS之前，应该提取数据吗？或者有别的办法来解决这个问题？