- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我是hadoop的初学者,在hadoop中读取了smallfile问题,现在我有一个要解决的问题,请帮助我开始
问题:
源成果:大约100万个(大约)文件,每个文件大小接近1 kb(无法阻止创建或调整大小)
结果分组:
源结果分为一组1000个文件。
所需任务:
组中的文件应以一对一的方式进行比较
文件是遵循特定标准结构( header ,内容等)的二进制细节(生物特征)文件。
由于预期结果会随着时间增加,因此我想对hadoop进行比较
输入到Hadoop:
请注意,文件名是唯一的ID,仅发出文件名会很有帮助
08RTC345744.txt 08RTC345746.txt
08RTC345744.txt 08RTC3457XX.txt
08RTXX457XX.txt 08YYC3457YY.txt
..................
XXXXXXN.txt YYYYYYN.txt
- Read input file line by line
- Read Each file in the line with thehelp of har:// (eg: Read har://xxx/08RTC345744.txt and har://xxx/08RTC345746.txt )
- Compare theFile that are read from hdfs (HAR) using a relevant bio-metric algorithm
- if they shows similarity Emit < Filenames > < Count >
08RTC345744.txt
08RTC345746.txt
08RTC345745.txt
08RTC3457XX.txt
08RTXX457XB.txt
08YYC3457YY.txt
最佳答案
您拥有的数据量处于边界,可以在hadoop集群中进行处理。除非您要输入更多文件,否则一个小群集就足够了。
您遇到的第一个问题是将数据摄取到群集中。如果我没有正确理解,您有很多小文件,每个文件包含一个数据记录。您最终想要的是更少的大文件。为了解决这个问题,我将在摄取之前或摄取时合并文件。 HAR文件不是一个好的选择。您可以通过多种方式进行操作,这主要取决于您的数据将如何到达群集以及以后如何处理。您可以 checkout 。
如果您的数据作为无限制的流输入,请 checkout :
-Apache Flume
-Apache Kafka
-Apache Storm
-Apache Spark
如果您的数据已经存在,并且您正在做一次工作:
-实现自己的合并程序。
这里的共同点是您希望将每个文件表示为一个数据记录。然后,您可以决定要用来存储许多记录的文件格式。通过正确配置上述工具,您最终将在HDFS上包含包含数据记录的大文件。
然后,您需要确定如何处理数据。您想要相互比较记录,为此,您还可以使用多种工具:
关于java - 使用Hadoop/HDFS进行100万个生物特征(小型)文件比较,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/27653403/
我们有数据(此时未分配)要转换/聚合/透视到 wazoo。 我在 www 上看了看,我问的所有答案都指向 hadoop 可扩展、运行便宜(没有 SQL 服务器机器和许可证)、快速(如果你有足够的数据)
这很明显,我们都同意我们可以将 HDFS + YARN + MapReduce 称为 Hadoop。但是,Hadoop 生态系统中的其他不同组合和其他产品会怎样? 例如,HDFS + YARN + S
如果 es-hadoop 只是连接到 HDFS 的 Hadoop 连接器,它如何支持 Hadoop 分析? 最佳答案 我假设您指的是 this project .在这种情况下,ES Hadoop 项目
看完this和 this论文,我决定我想在 MapReduce 上为大型数据集实现分布式体积渲染设置作为我的本科论文工作。 Hadoop 是一个合理的选择吗? Java 不会扼杀一些性能提升或使与 C
我一直在尝试查找有关如何通过命令行提交 hadoop 作业的信息。 我知道命令 - hadoop jar jar-file 主类输入输出 还有另一个命令,我正在尝试查找有关它的信息,但未能找到 - h
Hadoop 服务器在 Kubernetes 中。而Hadoop客户端位于外网。所以我尝试使用 kubernetes-service 来使用 Hadoop 服务器。但是 hadoop fs -put
有没有人遇到奇怪的环境问题,在调用 hadoop 命令时被迫使用 SU 而不是 SUDO? sudo su -c 'hadoop fs -ls /' hdfs Found 4 itemsdrwxr-x
在更改 mapred-site.xml 中的属性后,我给出了一个 tar.bz2 文件、.gz 和 tar.gz 文件作为输入。以上似乎都没有奏效。我假设这里发生的是 hadoop 作为输入读取的记录
如何在 Hadoop Pipes 中获取正在 hadoop 映射器 中执行的输入文件 名称? 我可以很容易地在基于 java 的 map reducer 中获取文件名,比如 FileSplit fil
我想使用 MapReduce 方法分析连续的数据流(通过 HTTP 访问),因此我一直在研究 Apache Hadoop。不幸的是,Hadoop 似乎期望以固定大小的输入文件开始作业,而不是能够在新数
名称节点可以执行任务吗?默认情况下,任务在集群的数据节点上执行。 最佳答案 假设您正在询问MapReduce ... 使用YARN,MapReduce任务在应用程序主数据库中执行,而不是在nameno
我有一个关系A包含 (zip-code). 我还有另一个关系B包含 (name:gender:zip-code) (x:m:1234) (y:f:1234) (z:m:1245) (s:f:1235)
我是hadoop地区的新手。您能帮我负责(k2,list[v2,v2,v2...])形式的输出(意味着将键及其所有关联值组合在一起)的责任是吗? 谢谢。 最佳答案 这是Hadoop的MapReduce
因此,我一直在尝试编写一个hadoop程序,该程序将输入作为一个包含许多文件的文件,并且我希望hadoop程序的输出仅是输入文件的一行。但是我还没有做到这一点。我也不想去 reducer 课。如果有人
我使用的输入文本文件的内容是 1 "Come 1 "Defects," 1 "I 1 "Information 1 "J" 2 "Plain 5 "Project 1
谁能告诉我以下grep命令的作用: $ bin/hadoop jar hadoop-*-examples.jar grep input output 'dfs[a-z.]+' 最佳答案 http:/
我不了解mapreducer的基本功能,mapreducer是否有助于将文件放入HDFS 或mapreducer仅有助于分析HDFS中现有文件中的内容 我对hadoop非常陌生,任何人都可以指导我理解
CopyFromLocal将从本地文件系统上载数据。 不要放会从任何文件上传数据,例如。本地FS,亚马逊S3 或仅来自本地fs ??? 最佳答案 请找到两个命令的用法。 put ======= Usa
我开始研究hadoop mapreduce。 我是Java和hadoop的初学者,并且了解hadoop mapreduce的编码,但是有兴趣了解它在云中的内部工作方式。 您能否分享一些很好的链接来说明
我一直在寻找Hadoop mapreduce类的类路径。我正在使用Hortonworks 2.2.4版沙箱。我需要这样的类路径来运行我的javac编译器: javac -cp (CLASS_PATH)
我是一名优秀的程序员,十分优秀!