我目前正在着手一个项目，该项目将涉及抓取和处理大量数据（数百个演出），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，当涉及到为如此大规模的问题选择一个平台时，我缺乏足够的经验来在Java或Python之间做出决定。
我知道这听起来像是一个模糊的问题，但我正在寻找有关选择Java或Python的一般建议。JVM提供了比Python更好的性能（？），但是像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计算机上管理它有多容易。
我应该选择哪一个，为什么？
随着Apache的蓬勃发展，生产出优秀的东西，比如Lucene/Solr/Nutch for Search，Mahout for Big Data Machine Learning，Hadoop for Map Reduce，OpenNLP for NLP，很多NoSQL的东西。最好的部分是代表集成的大“I”，这些产品可以相互集成，当然在大多数情况下，它们（这些产品）可以相互补充。
Python也很棒，但是如果你考虑上面的ASF，那么我会像Sean Owen一样使用Java。Python将始终可用于上述内容，但主要像Add on一样，而不是实际的东西。例如，您可以通过使用Streaming等使用Python来做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和OpenNLP以及其他流行的开源NoSQL Java产品，如Neo4j和OrientDB。
我认为Java的一件大事是Hadoop。如果你真的想说大规模，你会希望能够使用这样的东西。一般来说，Java具有性能优势，并且有更多的库可用。所以：Java。
