首先，很抱歉标题含糊不清，如果以前问过这个问题，但我不完全确定如何表达。
我正在寻找从两个不同的数据源中找到"相似"对象对的一般设计原则。为了简单起见，我们有两个数据库，A和B，都包含大量的对象，每个对象都有时间戳和地理位置，还有一些我们在这里不关心的其他数据。
现在，我想沿着以下几行执行搜索：在搜索条件指定的特定时间范围和位置内，分别从A和B中找到对象对，按一定的相似性得分排序。例如，这里有一些标量"时间/空间距离"函数distance（a，b），它计算对象之间的时间和空间距离。
我希望得到一组（可能是巨大的）结果，其中第一个结果是具有最小"距离"的一对数据点。
我意识到整个搜索空间是基数（A）x基数（B）。
有没有关于如何以合理有效的方式做到这一点的一般指导方针？我假设我需要将这两个数据库复制到像Hadoop这样的公共存储库中？但后来呢？我也不知道如何在Hadoop中执行这样的查询。
这种类型的查询叫什么？对我来说，这是一种"模糊的内部连接"，我很难思考如何构建，更不用说在规模上高效地构建了。
SQL联接不必基于相等。您可以使用">"、"<"、"BETWEEN"。你甚至可以这样做：
select a.val aval, b.val bval, a.val - b.val diff
from A join B on abs(a.val - b.val) < 100
您需要的是一种提前将对象划分为桶的方法，而无需对它们进行比较（或者至少进行线性而非平方的比较）。这样，在查询时，您将只比较少数项目。
没有一种"一刀切"的方式来装你的物品。在您的情况下，装箱可以基于时间、地理位置或两者。基于时间的桶形是非常自然的，也可以弹性缩放（增加或减少桶的大小）。地理聚类桶可以基于与空间中特定点的距离（如果空间是抽象的），也可以基于空间的某些有限划分（例如，如果你将整个地球的世界地图划分为瓦片，如果做得好，也可以很好地缩放）。
一个很好的问题是"如果我的数据开始快速增长，我可以通过添加服务器来处理吗？"如果不能，你可能需要重新考虑设计。