给定一个包含数百个制表符分隔的 csv 文件的目录,每个文件的第一行都没有标题。这意味着我们将通过其他方式指定列名。这些文件可以位于本地磁盘或 HDFS 上。
索引这些文件的最有效方法是什么?
最佳答案
如果你有很多文件,我认为有几种方法可以提高索引速度:
首先,如果你的数据在本地磁盘上,你可以使用多线程建立索引,但需要注意,每个线程都有自己的索引输出目录。最后将它们合并成一个索引,以提高搜索速度。
其次,如果你的数据在HDFS上,我觉得使用Hadoop MapReduce来建立索引是非常强大的。 另外,Pig或者Hive的一些UDF插件也可以很方便的建立索引,但是 你需要将你的数据转换成 hive 表或制作 pig 模式,这些很简单!
第三,为了更好的理解上面的方法,也许你可以阅读 How to make indexing faster
关于hadoop - 如何使用 Solr 索引目录中的所有 csv 文件?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/31736625/