在某些情况下,SemiJoin 抽取出来的小表的 key 集合在内存中仍然存放不下,这时候可以使
用 BloomFiler 以节省空间。
BloomFilter 最常见的作用是:判断某个元素是否在一个集合里面。它最重要的两个方法是:
add() 和 contains()。最大的特点是不会存在 false negative,即:如果 contains()返回 false,
则该元素一定不在集合中,但会存在一定的 true negative,即:如果 contains()返回 true,则
该元素可能在集合中。
因而可将小表中的 key 保存到 BloomFilter 中,在 map 阶段过滤大表,可能有一些不在小表
中的记录没有过滤掉(但是在小表中的记录一定不会过滤掉),这没关系,只不过增加了少量的网络 IO 而已。
hadoop 实现 Join reduce side join + BloomFilter
最新推荐文章于 2025-07-16 20:44:28 发布
本文讨论了在SemiJoin过程中遇到内存限制时,如何使用BloomFilter来节省空间。BloomFilter用于快速判断key是否在小表中,虽然可能引入少量误判,但能有效减少网络IO。
4200

被折叠的 条评论
为什么被折叠?



