我正在尝试使用hadoop构建wikipedia联合编辑页面的图形。原始数据包含编辑列表，即每个编辑有一行，告诉谁编辑了什么：

# revisionId pageId userId

1 1 10
2 1 11
3 2 10
4 3 10
5 4 11

我想提取一个图，其中每个节点都是一个页面，如果至少有一个编辑器编辑了两个页面（同一个编辑器），那么两个页面之间就有一个链接。对于上述示例，输出为：

# edges: pageId1,pageId2

1,2
1,3
1,4
2,3

我远不是Map/还原方面的Maven，但我认为这必须在两项工作中完成：
第一个作业为每个用户提取已编辑页面的列表。

# userId pageId1,pageId2,...

10 1,2,3
11 1,4

第二个作业接受上面的输出，并简单地生成每个用户编辑的所有页面对（因此这些页面已由同一用户编辑，因此将在图形中链接）。作为奖励，我们可以计算出每个页面有多少用户共同编辑，从而得到每个边的权重。

# pageId1,pageID2 weight

1,2 1
1,3 1
1,4 1
2,3 1

我用hadoop实现了这一点，而且很有效。问题是第二个作业的map阶段非常慢（实际上，前30%是可以的，但是之后会慢很多）。我想到的原因是，由于一些用户编辑了许多页面，Map器必须生成许多这样的对作为输出。因此hadoop必须溢出到磁盘，使得整个过程非常缓慢。
因此，我的问题如下：
对于那些在hadoop方面比我更有经验的人：我做错了吗？有没有更简单的方法来提取这个图？
磁盘溢出是第二个作业的map阶段非常慢的原因吗？我怎样才能避免这种情况？
作为一个侧节点，只需少量的编辑样本，就可以运行良好。它只会在有gbs数据的情况下变慢。