我想使用 Java MapReduce 在 Hadoop 中的两个数据集上执行代价高昂的叉积运算。
例如，我有来自数据集 A 和数据集 B 的记录，我希望数据集 A 中的每条记录与输出中数据集 B 中的每条记录相匹配。我意识到它的输出大小是|A| * |B|，但无论如何都想这样做。
我看到 Pig 有CROSS但我不知道它是如何在高层实现的。也许我会去看看源代码。
不寻找任何代码，只是想从高层次上了解我应该如何解决这个问题。
问问题
2339 次
1 回答
3
在查看文档相似度（将文档与其他所有文档进行比较）时，我做了类似的事情，最终得到了一种自定义输入格式，该格式将两个数据集拆分，然后确保每个数据子集都有一个“拆分”。
所以你的拆分看起来像（每个合并两组 10 条记录，输出 100 条记录）
A(1-10) x B(1-10)
A(11-20) x B(1-10)
A(21-30) x B(1-10)
A(1-10) x B(11-20)
A(11-20) x B(11-20)
A(21-30) x B(11-20)
A(1-10) x B(21-30)
A(11-20) x B(21-30)
A(21-30) x B(21-30)
我不记得它的性能如何，但是有一个大小为数千的文档集以相互比较（在 8 节点开发集群上），计算了数百万个交叉产品。
我还可以对算法进行改进，因为某些文档永远不会与其他文档相比得分很高（例如，如果它们之间的时间时间过长），并因此产生更好的分割。
于 2012-04-28T19:52:19.017 回答