我有以下问题:我有很多键值对形式的数据。关键是一些 id 和值 - 一些文本。我的目标是将这些对象分组到文本片段以某种方式“相似”的集群中。所以它看起来像是 MapReduce 的任务,如果将我的文本片段作为键,并将 id 作为值。但是这样的键不是 MapReduce 使用的传统方式,并且由于我并不真正了解 MapReduces 框架的内部实现,所以我不确定这种方式是否有效。所以我的详细想法是: 1. 在 Java 中使用一些 MapReduce(Hadoop、GridGain) 2.为我的文本片段创建特殊类(比如TextKey) 3.覆盖类的equals(),在这里打包文本比较逻辑(比如levenstein距离比较,或其他) 4. 覆盖 compareTo() 以允许 MapReduce 按键排序(比如字典顺序) 5.可能重写hashCode() 6. 将我的数据映射到键值对:keys -> text pieces, packed in TextKey class, values -> ids 7. 简单地通过收集每个“相等”(实际上相似)键的id来减少
MapReduce 可以那样工作吗?
最佳答案
在 GridGain 中,这可以通过将文本键存储在分区数据网格中轻松解决。 GridGain Data Grid 会自动根据键在集群中对您的数据集进行分区,因此只要您有类似的文本片段正确实现标准的 java hashCode() 和 equals(),就应该没问题。
您还可以在 GridGain 中发送基于亲和性的 MapReduce 任务,以确保您的作业最终与数据位于同一节点上,以避免在您需要对数据进行一些计算时进行冗余数据移动。这可以通过执行 GridProjection.affinityRun(...) 方法来实现。
关于java - 具有 "customized"键的 MapReduce,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/11807134/