我需要对大约 100tb 的网络数据进行分类和聚类，我计划使用 Hadoop、Mahout 和 AWS。你推荐我使用什么数据库来存储数据？ MySQL 会工作还是像 MongoDB 这样的东西会明显更快？一个数据库或另一个数据库还有其他优势吗？谢谢。
最佳答案
最简单和最直接的答案是将文件直接放在 HDFS 或 S3 中(因为您提到了 AWS)并直接将 Hadoop/Mahout 指向它们。其他数据库有不同的用途，但 Hadoop/HDFS 正是为这种大容量、批处理式分析而设计的。如果你想要一个更像数据库风格的访问层，那么你可以毫不费力地添加 Hive。底层存储层仍然是 HDFS 或 S3，但 Hive 可以让您对存储在那里的数据进行类似 SQL 的访问，如果您需要的话。
只是为了解决您提出的其他两个选项:MongoDB 非常适合低延迟读写，但您可能不需要它。我不了解 MySQL 的所有高级功能，但我猜 100TB 将很难处理，尤其是当您开始进行访问所有数据的大型查询时。它更适合传统的事务性访问。
关于mysql - 适合在 100 TB 数据上进行机器学习的数据库，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/18744826/