我想使用 R 的分布式计算 tm 包(称为 tm.plugin.dc)制作一个包含 1 亿条推文的文本语料库。这些推文存储在我笔记本电脑上的一个大型 MySQL 表中。我的笔记本电脑很旧，所以我使用的是在 Amazon EC2 上设置的 Hadoop 集群。
tm.plugin.dc documentation from CRAN表示目前仅支持 DirSource。该文档似乎表明 DirSource 每个文件只允许一个文档。我需要语料库将每条推文视为文档。我有 1 亿条推文——这是否意味着我需要在我的旧笔记本电脑上制作 1 亿个文件？这似乎过分了。有没有更好的办法？
到目前为止我尝试了什么:
将 MySQL 表的文件转储为单个(大量).sql 文件。将文件上传到 S3。将文件从 S3 传输到集群。使用 Cloudera 的 Sqoop 工具将文件导入 Hive。怎么办？我不知道如何让 DirSource 与 Hive 一起工作。
在我的笔记本电脑上将每条推文制作成 XML 文件。但是怎么办？我的电脑很旧，不能很好地完成这项工作。 ... 如果我能克服这个问题，那么我会:将所有 1 亿个 XML 文件上传到 Amazon S3 中的一个文件夹。将 S3 文件夹复制到 Hadoop 集群。将 DirSource 指向该文件夹。
最佳答案
制作一个包含 1 亿条推文的巨大 HDFS 文件，然后使用标准 R' tm 包处理它们不是更容易和更合理吗？
在我看来，这种方法更自然，因为 HDFS 是为大文件和分布式环境开发的，而 R 是出色的分析工具，但没有并行性(或受限)。您的方法看起来像是将工具用于并非为...开发的东西......
关于r - 如何制作 1 亿条推文的 R tm 语料库？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/16388495/