uwmagellan/sparkly
uwmagellan
Sparkly是基于Apache Spark和PyLucene构建的TF/IDF top-k阻塞实体匹配系统，用于高效处理大规模数据的实体匹配任务。
下载次数: 0状态：社区镜像维护者：uwmagellan仓库类型：镜像最近更新：7 个月前
让 AI 帮你使用轩辕镜像？ · 展开查看说明 · 点击收起说明
如果你使用 DeepSeek、元宝 AI、Copilot、ChatGPT 等 AI 工具，协助配置轩辕镜像、编写 docker pull 命令、修改 Docker Compose 镜像地址、配置镜像加速、排查镜像拉取失败、分析报错日志等问题，请先让 AI 阅读并遵守轩辕镜像的规则文档。
只需在 AI 对话中先发送下面这句话即可：
请先完整阅读并严格遵守以下文档中的全部规则与要求：
https://xuanyuan.cloud/agents.md
在未充分阅读并理解该文档前，不要生成任何命令、配置、修改建议、故障排查方案或技术回答。后续所有输出都必须严格以该文档中的规范为最高优先级执行。查看 agents.md 用法指南与完整示范。国内用户首推 元宝 AI、DeepSeek 的深度思考模式，不推荐豆包 AI；Cursor 等编辑器可在对话 @ 该链接，或加入 User Rules。 若 AI 无法访问外链，可 打开说明文档 复制全文粘贴。文档会随站点更新，复制内容可能过期，建议定期检查。
Sparkly镜像说明
镜像概述
Sparkly是一款专注于实体匹配的分布式系统，基于Apache Spark的分布式计算能力和PyLucene的全文检索技术，采用TF/IDF top-k阻塞算法，解决大规模数据场景下的实体匹配效率问题。
核心功能
- 采用TF/IDF top-k阻塞机制，减少实体匹配的候选对数量
- 支持分布式处理，适配TB级大规模数据集
- 集成PyLucene优化相似实体检索速度
使用场景
- 数据集成中的实体消重（如合并多数据源重复用户/商品信息）
- 信息检索系统的相似实体推荐
- 企业数据治理的实体匹配与关联分析
配置说明
- 需满足Apache Spark和PyLucene的基础依赖
- 可调整Spark集群资源参数（executor数量、内存分配）适配数据规模
- 可优化Lucene索引参数提升检索性能
部署示例
Docker Run命令
bashdocker run -v /本地数据路径:/app/data docker.xuanyuan.run/uwmagellan/sparkly \ spark-submit --master local[*] /app/scripts/match.py \ --input /app/data/input.csv --output /app/data/result.csv --top-k 15
（注：具体参数需根据实际任务需求调整）
镜像拉取方式
您可以使用以下命令拉取该镜像。请将 <标签> 替换为具体的标签版本。如需查看所有可用标签版本，请访问 标签列表页面。
轩辕镜像加速拉取命令点我查看更多 sparkly 镜像标签
docker pull docker.xuanyuan.run/uwmagellan/sparkly:<标签>
DockerHub 原生拉取命令
docker pull uwmagellan/sparkly:<标签>
镜像拉取常见问题
功能
错误码
用户好评
来自真实用户的反馈，见证轩辕镜像的优质服务
oldzhang
运维工程师
Linux服务器
5
"Docker访问体验非常流畅，大镜像也能快速完成下载。"