我有一个数据集，其中包含来自世界各地150个国家的地址，你的任务是验证它们，数据存储在3个字段-地址行，城市，邮政编码。我还提供了针对每个国家的地址验证解决方案，但数据集不包括国家代码。任务是设计逻辑来处理数据并找到每个记录的国家，这样就可以通过验证组件运行这些数据。最有效的方法是什么。
由于针对每个记录运行所有150个地址验证组件被认为是不高效的，因此我正在考虑并行处理和使用map reduce。我的逻辑如下：
一个可能的解决方案需要分布式方法和map/reduce框架中的并行处理，例如：
数据集可以分成相等的“块”，每个国家一块，在不同的集群上并行处理。
在每个区块上操作的Map函数可以将每个地址与其各自的国家代码进行Map。
洗牌阶段将按国家汇总Map器功能的所有输出
最后，在每个国家块上运行的reduce函数将验证其各自国家的地址，从而只验证每个国家的有效地址。
我不知道这是否有意义，或者是否有可能通过map/reduce实现这个功能。我之所以想到这个解决方案，是因为我记得我们在大学时学过一些关于云计算、并行处理和大数据的课程。任何建议或不同的方法都是非常受欢迎的。。。这是面试用的谢谢。。。
1条答案
按热度按时间c3frrgcw1#
mapreduce对于组合大型数据集非常有用，但是在您的情况下，您有一个大型数据集（地址）和一个小型数据集（国家）。在这种情况下，只使用Map的mapreduce作业就可以了，您可以执行以下操作：
读取地址数据集作为Map器输入。
将国家数据集读入内存（例如
HashMap)，使用mapreduce的缓存功能。做一个
HashMap在处理每个地址记录时对其进行查找，以将其与所在国家/地区相关联。应用验证逻辑和输出。
话虽如此，如果我要这么做，我肯定会使用apachespark而不是mapreduce。