[大牛翻譯系列]Hadoop（3）MapReduce 連接：半連接（Semi-join）
4.1.3 半連接（Semi-join） 假設一個場景，需要連接兩個很大的數據集，例如，用戶日志和OLTP的用戶數據。任何一個數據集都不是足夠小到可以緩存在map作業的內存中。這樣看來，似乎就不能使用reduce端的連接了。盡管不是必須，可以思考以下問題：如果在數據集的連接操作中，一個 ...
原文：[大牛翻譯系列]Hadoop（2）MapReduce 連接：復制連接（Replication join）
. . 復制連接 Replicationjoin 復制連接是map端的連接。復制連接得名於它的具體實現：連接中最小的數據集將會被復制到所有的map主機節點。復制連接有一個假設前提：在被連接的數據集中，有一個數據集足夠小到可以緩存在內存中。 如圖 . 所示，MapReduce復制連接工作原理如下： 使用分布式緩存 Districubtedcache 將這個小數據集復制到所有運行map任務的節點。 ...
2014-03-04 07:22 4 2100 推薦指數：
相關推薦
[大牛翻譯系列]Hadoop（1）MapReduce 連接：重分區連接（Repartition join）
4.1 連接（Join） 連接是關系運算，可以用於合並關系（relation）。對於數據庫中的表連接操作，可能已經廣為人知了。在MapReduce中，連接可以用於合並兩個或多個數據集。例如，用戶基本信息和用戶活動詳情信息。用戶基本信息來自於OLTP數據庫。用戶活動詳情信息來自於日志文件 ...
[大牛翻譯系列]Hadoop（7）MapReduce：抽樣（Sampling）
4.3 抽樣（Sampling） 用基於MapReduce的程序來處理TB級的數據集，要花費的時間可能是數以小時計。僅僅是優化代碼是很難達到良好的效果。 在開發和調試代碼的時候，沒有必要處理整個數據集。但如果在這種情況下要保證數據集能夠被正確地處理，就需要用到抽樣了。抽樣是統計學中的一個方法 ...
[大牛翻譯系列]Hadoop（17）MapReduce 文件處理：小文件
數以百萬計的圖片存儲分別在HDFS中。很不幸的是，這樣做恰好碰上了HDFS和MapReduce的弱項，如下： ...
[大牛翻譯系列]Hadoop（5）MapReduce 排序：次排序（Secondary sort）
4.2 排序（SORT） 在MapReduce中，排序的目的有兩個： MapReduce可以通過排序將Map輸出的鍵分組。然后每組鍵調用一次reduce。 在某些需要排序的特定場景中，用戶可以將作業（job）的全部輸出進行總體排序。 例如：需要了解前N個最受歡迎的用戶或網頁 ...
[大牛翻譯系列]Hadoop（13）MapReduce 性能調優：優化洗牌（shuffle）和排序階段
6.4.3 優化洗牌（shuffle）和排序階段 洗牌和排序階段都很耗費資源。洗牌需要在map和reduce任務之間傳輸數據，會導致過大的網絡消耗。排序和合並操作的消耗也是很顯著的。這一節將介紹一系列的技術來緩解洗牌和排序階段的消耗。 技術46 規避使用reduce Reduce在用於連接 ...
[大牛翻譯系列]Hadoop（18）MapReduce 文件處理：基於壓縮的高效存儲（一）
5.2 基於壓縮的高效存儲 （僅包括技術25，和技術26） 數據壓縮可以減小數據的大小，節約空間，提高數據傳輸的效率。在處理文件中，壓縮很重要。在處理Hadoop的文件時，更是如此。為了讓Hadoop更高效處理文件，就需要選擇一個合適的壓縮編碼器，加快作業運行，增加集群的數據存儲能力 ...
[大牛翻譯系列]Hadoop（14）MapReduce 性能調優：減小數據傾斜的性能損失
6.4.4 減小數據傾斜的性能損失 數據傾斜是數據中的常見情況。數據中不可避免地會出現離群值（outlier），並導致數據傾斜。這些離群值會顯著地拖慢MapReduce的執行。常見的數據傾斜有以下幾類： 數據頻率傾斜——某一個區域的數據量要遠遠大於其他區域。 數據大小傾斜——部分記錄 ...