我目前正着手开展一个涉及抓取和处理大量数据（数百场演出）的项目，并挖掘它们以提取结构化数据，命名实体识别，重复数据删除，分类等。
我熟悉Java和Python世界的ML工具：Lingpipe，Mahout，NLTK等。但是，当它归结为选择这样一个大规模问题的平台时 - 我缺乏足够的经验来决定Java或Python。
我知道这听起来像一个模糊的问题，但我正在寻找关于选择Java或Python的一般建议。 JVM提供了比Python更好的性能（？），但像Lingpipe等库是否与Python生态系统相匹配？如果我使用这个Python，那么扩展它并在多台机器上管理它会有多容易。
我应该选择哪一个？为什么？
答案 0 :(得分：18)
随着Apache的出色表现，像Lucene / Solr / Nutch for Search，Mahout for Big Data Machine Learning，Hadoop for Map Reduce，OpenNLP for NLP，很多NoSQL东西。最好的部分是大＆＃34;我＆＃34;它代表了集成，这些产品可以很好地相互集成，当然在大多数情况下它们（这些产品）相互补充。
Python也很棒但是如果你从ASF考虑上面那么我会像Sean Owen一样使用Java。 Python将始终可用于上述，但大多数情况下像添加，而不是实际的东西。例如，您可以使用Streaming等使用Python来执行Hadoop。
我部分从C ++切换到Java，以便利用一些非常流行的Apache产品，如Lucene，Solr＆amp; OpenNLP以及其他流行的开源NoSQL Java产品，如Neo4j＆amp; OrientDB。
答案 1 :(得分：11)
我认为Java的一大特色就是Hadoop。如果你真的意味着大规模，你会希望能够使用类似的东西。一般来说，Java具有性能优势，并且可以使用更多库。所以：Java。
答案 2 :(得分：5)
如果你正在寻找适合ML任务的NoSQL数据库，那么Neo4J是更准备（相对）并且能够处理BigData的产品之一，它是JAVA原生的，但带有一个漂亮的REST API开箱即用因此可以与您选择的平台集成。 JAVA将为您提供性能优势。