我有一个数据集,其中包含来自全局 150 个国家/地区的地址,您的任务是验证它们,数据存储在 3 个字段中 - 地址行、城市、邮政编码。我还有可用的每个国家的地址验证解决方案,但数据集不包括国家代码。任务是设计逻辑来处理数据并为每条记录找到国家/地区,以便它们可以通过验证组件运行。什么是最有效的方法。
由于对每条记录运行所有 150 个地址验证组件被认为效率不高,我正在考虑并行处理和使用 map reduce。我的逻辑是这样的:
一个可能的解决方案需要分布式方法和 map/reduce 框架中的并行处理,例如:
可以将数据集分成相等的“ block ”,每个国家/地区将在不同集群上并行处理。
在每个 block 上运行的映射函数可以将每个地址映射到其各自的国家代码。
- 洗牌阶段将按国家汇总映射器函数的所有输出
- 最后,在每个国家 block 上运行的 reduce 函数将验证各自国家的地址,结果只有每个国家的有效地址。
我不知道这是否有意义,或者是否有可能使用 map/reduce 实现此功能。我之所以想到这个解决方案,是因为我记得我们上过一些关于云计算、并行处理和大数据的类(class)。任何建议或不同的方法都非常受欢迎……这是为了面试,谢谢……
最佳答案
MapReduce 可用于组合大型数据集,但在您的情况下,您有一个大型数据集(地址)和一个小型数据集(国家/地区)。在这种情况下,仅 Map 的 MapReduce 作业就可以了,您可以执行以下操作:
读取地址数据集作为您的 Mapper 输入。
使用 MapReduce 的 cache functionality 将国家数据集读入内存(例如作为
HashMap
) .在处理每个地址记录时对其进行
HashMap
查找,以将其与其国家相关联。应用您的验证逻辑和输出。
话虽如此,如果我要这样做,我肯定会使用 Apache Spark 而不是 MapReduce。
关于validation - 使用 map reduce 在数据集中执行地址验证,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/57341638/