首先，您需要加入“位置代码”列，用城市名称替换它们。自 locationCode-city tuples（Map）相对较小（~400），可以进行Map端连接。
在提交作业之前，首先将Map文件添加到缓存中。根据hadoop版本使用：

// prior to 2.2.0
DistributedCache.addCacheFile(new Path(path/cityCode_NameMappings.txt).toUri(), conf);

//OR 2.2.0 onwards. DistributedCache is deprecated 
job.addCacheFile(new Path(filename).toUri());

在Map绘制程序中检索它 setup 方法使用：

Path[] cacheFiles = DistributedCache.getLocalCacheFiles(job);

// OR
Path[] cacheFiles = context.getLocalCacheFiles();

通过文件名识别文件，读取文件并将内容放入静态文件中 HashMap<code,name> 并用它来替换 map 方法。当可能的Map数量相对较少时，可以采用相同的策略替换第二列（当前超出范围）。
最后只选择实际tweet的主体，regex和简单的字符串操作似乎就足够了。现在您有两个选择：
使用reducer类进行文本提取。这样，代码替换和tweet正文提取将在单独的抽象中进行。
在Map器本身中进行处理，并将还原数设置为零。这将是一个Map只工作，肯定会运行得更快，虽然它看起来有点混乱。
选择权在你。同样，如果城市代码Map的数量很大，则除了执行reduce-side连接之外别无选择。这将是相对复杂的实施。
第二个想法：如果您可以自由选择另一个工具来索引原始lucene以外的内容，我建议您使用elasticsearch（构建在lucene之上）。然后可以利用hive进行连接，并使用hivees集成将数据加载到索引中。但是你还是要做文本处理（也许Hive服务器可以做到这一点）。