用MapReduce做相似度分析

有一批数据（10亿量级），数据内容包括：

列   类型  
id   INT  
content   String  

id为key，全局唯一
content为一个句子

列之间以\t分割

like：
1 “互联网够公司的日志无处不在，web日志，js日志，搜索日志，监控日志等等”
2 "对于这些日志的离线分析（Hadoop），wget&rsync虽然人力维护成本较高，但可以满足功能行需求。但对于这些日志的实时分析需求（例如实时推荐，监控系统），则往往必须要引入一些“高大上”的系统"
计算每行数据的content和其他数据content的相似度

A： 两轮MapReduce：
第一轮：
按照一定规则分割content，并以分割后的content内容为key，value为id，reduce阶段对value做排序后两两输出，实例如下：
原始数据：
10X
20Y
30Z
假设X可以分割为A、B、C， Y可以分割为A、C、D， Z可以分割为A、D
则第一轮mapper的输出为：
<A,10>
<B,10>
<C,10>
<A,20>
<C,20>
<D,20>
<A,30>
<D,30>
使用分割后的content做key
reducer的输入为：
A{10,20,30}
B{10}
C{10,20}
D{10}
reduce计算逻辑：对value组按大小排序，排序后按序两两输出，组大小为1的不输出
reducer输出为
10,20 ----from A {10,20,30}
10,30 ----from A {10,20,30}
20,30 ----from A {10,20,30}
10,20 ----from C{10,20}

第二轮map-reduce：
对第一轮输出的数据做聚合，value为出现次数
10,202
10,301
20,301

推荐阅读：

Hadoop 新 MapReduce 框架 Yarn 详解

Hadoop中HDFS和MapReduce节点基本简介

MapReduce的自制Writable分组输出及组内排序

MapReduce的一对多连接操作

Hadoop--两个简单的MapReduce程序

Hadoop 中利用 MapReduce 读写 MySQL 数据