我们的 Hadoop 集群每天摄取数 TB 的网络日志。每条日志记录都包含用户IP地址、cookie ID等信息。但是，不同的 IP 地址和 cookie ID 可以对应一个物理用户(家庭/工作计算机等)。我们设计了一个函数来计算任何一对记录的匹配分数，分数越高意味着两条记录对应一个物理用户的概率越高。
目标是使用评分函数将所有记录分成可能对应于一个物理用户的组，并通过唯一的组 ID(即物理用户 ID)标记组中的所有记录。使用 Hadoop/Mahout 实现此逻辑的最佳方法是什么？
最佳答案
首先，我假设您知道如何链接 MapReduce 作业。如果没有，请参阅 http://developer.yahoo.com/hadoop/tutorial/module4.html#chaining了解详情。
其次，我假设您有一个可用的分布式键/值存储，例如 Cassandra。
第三，你的评分功能对我来说没有意义。我不认为“这里的一张唱片，那里的一张唱片”会让你知道他们是同一个人。我可以相信“这里的记录与那里的记录相比=估计是否是同一个人”。所以我会假设，与您的描述相反，这就是您的评分功能的实际工作方式。
那么理论上解决您的问题的好方法是什么？
处理日志，将唯一机器标识符(IP 地址 + cookie)+ 所有记录事件的日期范围映射到您的商店。
提取所有唯一机器标识符的列表。也存储它。
执行 MapReduce，其中映射采用机器标识符，获取所有其他机器标识符的列表，并发出所有成对的不同机器标识符，其中第一个标识符小于第二个标识符。 reduce 查询每个记录的事件，计算分数，然后如果分数超过阈值，则发出较大机器标识符映射到较小机器标识符的数据点。
3 的输出通过管道传输到 map reduce，其 map 不执行任何操作，并且其为每个机器标识符找到它映射到的最小机器标识符。
4 的输出通过管道传输到 map reduce，其 map 采用一对(机器标识符，规范机器标识符)，从 #1 中的存储中获取事件，并将它们重新映射到(规范机器标识符，其余事件)，并且其 reduce 存储规范机器标识符(又名组 ID)，相关事件。 (如果需要，按日期。)
好的，这是一个很好的理论。哪里出错了？
问题是所有的标识符对都太多了。该列表最终可能达到 1018 的数量级，您要为其中的每一个提取日志。除非您拥有真正非凡的硬件，否则您将用尽处理能力来计算它。因此，您需要找到启发式方法来减少它。
第一个也是最简单的一点是，任何已识别的“这两个标识符映射到同一个标识符”都应尽可能预先存储和重复使用。
其次，在完成大量初始工作后，您可能会想“在所有最近创建的标识符中，它们映射到什么？”这些是添加到您的规范映射的候选者，您不希望总是重新创建它们。
第三，我相信你有一个“相似记录”的概念。因此，将记录映射到某种记录组，然后在 reduce 中让所有“足够小”的组将所有对映射到“可能相同”。将这些对发送到一个 map reduce 中，该 map reduce 会获取“可能相同”的记录，然后为所有“可能出现超过 X 次”的记录创建一个查找映射机器标识符。保存那个。现在重复上面的步骤，除了在第 2 步中你发送一个机器标识符给它自己的所有对和一个“可能相同的”另一个。这个捷径将大大减少工作量。
这是一个需要大量工作的通用策略。祝你好运。
关于algorithm - 使用 Hadoop 记录关联/聚类，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/17728371/
我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div
我有一个Ruby程序，它使用rubyzip压缩XML文件的目录树。gem。我的问题是文件开始变得很重，我想提高压缩级别，因为压缩时间不是问题。我在rubyzipdocumentation中找不到一种为创建的ZIP文件指定压缩级别的方法。有人知道如何更改此设置吗？是否有另一个允许指定压缩级别的Ruby库？ 最佳答案 这是我通过查看rubyzip内部创建的代码。level=Zlib::BEST_COMPRESSIONZip::ZipOutputStream.open(zip_file)do|zip|Dir.glob("**/*")d
类classAprivatedeffooputs:fooendpublicdefbarputs:barendprivatedefzimputs:zimendprotecteddefdibputs:dibendendA的实例a=A.new测试a.foorescueputs:faila.barrescueputs:faila.zimrescueputs:faila.dibrescueputs:faila.gazrescueputs:fail测试输出failbarfailfailfail.发送测试[:foo,:bar,:zim,:dib,:gaz].each{|m|a.send(m)resc
很好奇，就使用rubyonrails自动化单元测试而言，你们正在做什么？您是否创建了一个脚本来在cron中运行rake作业并将结果邮寄给您？git中的预提交Hook？只是手动调用？我完全理解测试，但想知道在错误发生之前捕获错误的最佳实践是什么。让我们理所当然地认为测试本身是完美无缺的，并且可以正常工作。下一步是什么以确保他们在正确的时间将可能有害的结果传达给您？ 最佳答案 不确定您到底想听什么，但是有几个级别的自动代码库控制:在处理某项功能时，您可以使用类似autotest的内容获得关于哪些有效，哪些无效的即时反馈。要确保您的提
假设我做了一个模块如下:m=Module.newdoclassCendend三个问题:除了对m的引用之外，还有什么方法可以访问C和m中的其他内容？我可以在创建匿名模块后为其命名吗(就像我输入“module...”一样)？如何在使用完匿名模块后将其删除，使其定义的常量不再存在？ 最佳答案 三个答案:是的，使用ObjectSpace.此代码使c引用你的类(class)C不引用m:c=nilObjectSpace.each_object{|obj|c=objif(Class===objandobj.name=~/::C$/)}当然这取决于
我正在尝试使用ruby和Savon来使用网络服务。测试服务为http://www.webservicex.net/WS/WSDetails.aspx?WSID=9&CATID=2require'rubygems'require'savon'client=Savon::Client.new"http://www.webservicex.net/stockquote.asmx?WSDL"client.get_quotedo|soap|soap.body={:symbol=>"AAPL"}end返回SOAP异常。检查soap信封，在我看来soap请求没有正确的命名空间。任何人都可以建议我
关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。
我在我的项目目录中完成了compasscreate.和compassinitrails。几个问题:我已将我的.sass文件放在public/stylesheets中。这是放置它们的正确位置吗？当我运行compasswatch时，它不会自动编译这些.sass文件。我必须手动指定文件:compasswatchpublic/stylesheets/myfile.sass等。如何让它自动运行？文件ie.css、print.css和screen.css已放在stylesheets/compiled。如何在编译后不让它们重新出现的情况下删除它们？我自己编译的.sass文件编译成compiled/t
我想将html转换为纯文本。不过，我不想只删除标签，我想智能地保留尽可能多的格式。为插入换行符标签，检测段落并格式化它们等。输入非常简单，通常是格式良好的html(不是整个文档，只是一堆内容，通常没有anchor或图像)。我可以将几个正则表达式放在一起，让我达到80%，但我认为可能有一些现有的解决方案更智能。 最佳答案 首先，不要尝试为此使用正则表达式。很有可能你会想出一个脆弱/脆弱的解决方案，它会随着HTML的变化而崩溃，或者很难管理和维护。您可以使用Nokogiri快速解析HTML并提取文本:require'nokogiri'h
我想为Heroku构建一个Rails3应用程序。他们使用Postgres作为他们的数据库，所以我通过MacPorts安装了postgres9.0。现在我需要一个postgresgem并且共识是出于性能原因你想要pggem。但是我对我得到的错误感到非常困惑当我尝试在rvm下通过geminstall安装pg时。我已经非常明确地指定了所有postgres目录的位置可以找到但仍然无法完成安装:$envARCHFLAGS='-archx86_64'geminstallpg--\--with-pg-config=/opt/local/var/db/postgresql90/defaultdb/po
