维基百科页面使用 Hadoop 共同编辑图形提取

Question

我正在尝试使用 hadoop 构建维基百科共同编辑页面的图表。原始数据包含编辑列表，即每次编辑有一行告诉谁编辑了什么：

# revisionId pageId userId
1 1 10
2 1 11
3 2 10
4 3 10
5 4 11

我想提取一个图表，其中每个节点都是一个页面，如果至少有一个编辑器编辑了两个页面（同一个编辑器），那么两个页面之间就有一个链接。对于上面的示例，输出将是：

# edges: pageId1,pageId2
1,2
1,3
1,4
2,3

我远不是 Map/Reduce 方面的专家，但我认为这必须通过两个工作来完成：

1. 第一个作业为每个用户提取已编辑页面的列表。

   # userId pageId1,pageId2,...
   10 1,2,3
   11 1,4
   

2. 第二个作业采用上面的输出，并简单地生成每个用户编辑的所有页面对（因此这些页面已由同一用户编辑，因此将在图表中链接）。作为奖励，我们实际上可以计算每个页面有多少用户共同编辑，以获得每个边缘的权重。

   # pageId1,pageID2 weight
   1,2 1
   1,3 1
   1,4 1
   2,3 1
   

我使用 Hadoop 实现了这一点，它可以工作。问题是第二个工作的map阶段真的很慢（其实前30%还可以，但是之后就慢了很多）。我想出的原因是因为一些用户编辑了很多页面，映射器必须生成很多这些对作为输出。因此，Hadoop 必须溢出到磁盘，从而使整个事情变得非常缓慢。

因此我的问题如下：

1. 对于那些在 Hadoop 方面比我有更多经验的人：我做错了吗？有没有更简单的方法来提取这张图？
2. 磁盘溢出会是第二个作业的映射阶段很慢的原因吗？我怎样才能避免这种情况？

作为一个侧节点，它运行良好，只需少量编辑样本。只有 GB 的数据才会变慢。

Answer 1

显然，这是一个被称为组合/互相关/共现的常见问题，有两种模式可以使用 Map/Reduce、Pairs 或 Stripes 来解决它：

• Map Reduce Design Patterns :- Pairs & Stripes
• MapReduce Patterns, Algorithms, and Use Cases（互相关部分）
• Pairs and Stripes

我在问题中提出的方法是配对方法，它通常会生成更多数据。条纹方法从组合器中受益更多，并且在我的情况下提供了更好的结果。