我有很多页面(5.000.000.000+),我需要构建一个反向链接结构。 对于每个页面,我需要提取所有出站链接。
e.g。原始数据。
www.mypage1.com = outbound1, outbound2, outbound3
www.mypage2.com = ouput4, outbound2, outbound1
预期结果。
outbound1=www.mypage1.com,www.mypage2.com
outbound2=www.mypage1.com,www.mypage2.com
outbound3=www.mypage1.com
outbound4=www.mypage2.com
实际上,我正在使用hadoop进行map-reduce,它运行正常。但经过一些分析后,我意识到一些网址至少有500mb的入站链接信息。
5.000.0000.000页乘500 mb是很多数据......
每个url的长度都是100个字节,所以我的第一个提示是使用某种哈希来减少每个url的大小。但这会给流程增加一些开销,因为我们需要一个服务来检索给定URL和反之的哈希。
那么,您认为最好的方法是什么?有什么想法吗?
答案 0 :(得分:1)
尽管单人团队的任务不切实际,但我可以建议: