返回主题:批处理作业的写法:连接、聚合与作业抽象

知识卡片

结构图卡 · 1792.b.1

布隆筛选后再精确连接

理解等级:中级

把受影响实体集合压缩成布隆过滤器,复制到扫描任务,可先过滤主集中的大部分无关记录。标准只增布隆集合可能误报存在,但对已加入元素不会漏报;因此相关记录保留,而少量额外记录再与准确实体列表连接去除。它减少需要重新分区的数据量,并不免掉第一遍扫描,也不能把概率过滤结果直接当精确成员判断。

结构图:

flowchart TD
  A[新数据提取实体] --> B[准确实体集合]
  B --> C[布隆过滤器]
  D[扫描主数据集] --> E[概率筛选]
  C --> E
  E --> F[相关候选:含误报]
  F --> G[与准确集合连接]
  B --> G
  G --> H[仅相关事实]

与[[部分重算]]的联系:布隆预筛减少相关事实精确连接的重分区规模。

这张卡片看不懂?

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

    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18章《深入Lambda架构》(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/127.xhtml) - 结论依据:图18-2先map-only筛选,再与精确列表连接去误报,说明概率预筛与精确处理的分工。 - 原始内容:布隆过滤器有误报但没有漏报。