Hadoop 我应该使用什么在200列1200万行数据集上执行相似性函数？

问题：
我有一个巨大的特征向量表。向量中的每个元素由两个整数组成。下面是一个例子：

-------------------------------------------------------------------------------
KEY |  VALUE
---------------------------------------------------------------------------------
    | f1    | f2    | f3    | f4    | f5       | f6       | f7    |  f8   | f9
---------------------------------------------------------------------------------
 1  | 13 42 |       | 546 43| 43 24 | 435  634 |          | 45  43|  4  5 | 5 647
 2  | 24 32 | 54 35 |       |       | 3124 32  | 454 3    | 4   5 |  12 1 |   
 3  | 3  1  | 54 32 |       | 43 24 |          | 31  2432 | 454 3 |  4  5 | 1 21    
---------------------------------------------------------------------------------

假设我有大约1200万行具有唯一键和大约200列（=400个子列）。如您所见，如果该元素没有该功能，则随机列中的值可能会丢失

我想使用一些定制的相似性函数f（vector1，vector2）查询表中的X行（不在表中）以查找前N（N=10-20）个最佳匹配项，该函数将执行==检查并返回相似性分数，考虑到不同列匹配的不同权重

问题：
就NoSQL数据库而言，您认为哪种实现最适合这种情况？我想进行实时查询。我正在考虑将HBase与Hadoop结合使用（或者将MongoDB与Hadoop结合使用，哪一个更好？），并编写一个MapReduce作业，在每一行上执行相似性函数并获得结果。我担心Hadoop的批处理工作是否能为我提供良好的实时性能（最多2秒）。我对Lucene没有太多经验-这在这里有用吗

---

除此之外，我还知道如何避免进行全表MapReduce扫描并以某种方式对其进行优化吗？

从几个朋友那里得到建议后，我查阅了ElasticSearch的文档。似乎这是我的用例的完美工具。它是为这样的搜索/检索需求而构建的，像碎片一样，可以处理巨大的数据。以下是应该做的事情：

将每一行存储在文档中，关键元素是_id字段和每一个f1、f2。。。字段作为不同的字段。可以使用该功能增加某些字段的相关性（基本上为它们分配更多权重，基本上不需要使用相似性函数）。这甚至可以在过程中完成，因此允许用户根据用例分配权重

下面是一个可能适用于此用例的示例查询（未测试）：

{
  "query" : {
    "filtered" : {
        "and" : [
         {      
              "query" : {
                    "bool" : {
                         "should" : [
                              { "match" : { "f192" : { "boost" : 2,"query" : "232"} } },
                              { "match" : { "f16" : { "boost" : 1,"query" : "4324"} } },
                              { "match" : { "f25" : { "boost" : 0.2,"query" : "76783"} } },
                         ]
                    }
                }
         },
         {
              "exists" : { "field" : "f67" }
         }
       ]
    }
  }
}'