1

我正在创建存储在 SequenceFile 中的 Hadoop Vector 的键值对的 HashMap。为了提高效率,我想知道键值对的向量有多长,以便我可以用适当的大小初始化 HashMap。

我使用了 Mahout seqdumper,它在每个转储向量的末尾附加了一个计数。我查看了它的代码,但它使用了一个简单的迭代计数器(对于每一行counter++),因此不是我想要的。

看起来也SequenceFile.MetaData很有希望,所以我研究了一下。但是调试器显示它不包含任何条目。

有没有其他方法可以快速获得类似于.size()SequenceFile 中的 Hadoop Vector 的方法?

编辑:这是我正在变成地图的 seqdumper 的输出。具体来说,每个键值对都是一个 IntWritable / NamedVector 对。我希望创建从键号到 URI 字符串的映射。共有 46599 个键值对,seqdumper在文件末尾附加。

Input Path: luceneVectors
Key class: class org.apache.hadoop.io.IntWritable Value Class: class org.apache.mahout.math.VectorWritable
Key: 0: Value: http://data.artsholland.com/production/73adae07-78c6-4180-93a4-34802090b5f1:{22118:0.18376858424635545,20381:0.40144184831236357,53753:0.2605347739121081,51569:0.2578896608715637,21930:0.2277873354603338,63035:0.27765920678967304,36979:0.2709104089668357,68351:0.15788776111071648,19436:0.2988119565549418,17991:0.12435264873296237,10356:0.3276902508762499,3410:0.27239123806574506,62942:0.18961849195965186,32527:0.24827631823639457,69909:0.11723303910369048,19832:0.2138117449778048}
Key: 1: Value: http://data.artsholland.com/production/c9fcc92b-18bb-4bfb-af52-380707f8d0d7:{41167:0.07191351238480857,61391:0.07496730342220936,[...]
[...],19156:0.0687215948604245}
Count: 46599
4

1 回答 1

1

不确定,我的回答是否有用,但是如果您需要知道 seq 文件中有多少个键,您可以使用 MapFile 而不是 SequenceFile。知道 indexInterval 您可以通过读取密钥文件来估计密钥的数量。如果将 indexInterval 设置得比较大,则可以保持较小的索引文件,并且仍然可以估计键的数量。作为额外的奖励,您可以获得密钥的采样,这可以帮助您进一步优化。

有关不同版本的 SequenceFiles 的更多详细信息,请参见http://www.cloudera.com/blog/2011/01/hadoop-io-sequence-map-set-array-bloommap-files/

于 2012-10-10T19:54:46.753 回答