知识卡片
先排序可流式唯一计数
组内数据太大无法装入内存时,先按需要去重的字段排序,再顺序比较当前记录与前一条记录;只有不同时才增加唯一计数。聚合器只需保存上一个值和计数,而不用维护所有已见值集合。收益以先完成排序为前提,不能忽略排序和数据重排成本。
与[[去重是语义问题]]的联系:先排序再比较相邻值是控制去重内存的一种实现。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- · 查看原书依据
只有当前元组不同于其前一个元组时,聚合器才增加不同的计数。
参考来源
- 位置:《大数据系统构建:可扩展实时数据系统构建原理与最佳实践》第7章《批处理层:示例》(来源项目book-sources;源文件:extracted/大数据系统构建:可扩展实时数据系统构建原理与最佳实践/_epub-src/OEBPS/Text/057.xhtml)
- 结论依据:原文DistinctCountAgg示例使用二次排序和前一个元组状态,明确给出大组场景。
- 原始内容:只有当前元组不同于其前一个元组时,聚合器才增加不同的计数。