Spark圖處理GraphX學習筆記！

Spark圖處理GraphX學習筆記！

一、什么是GraphX？

Graphx利用了Spark這樣了一個并行處理框架來實現了圖上的一些可并行化執行的算法。

• 算法是否能夠并行化與Spark本身無關

• 算法并行化與否的本身，需要通過數學來證明

• 已經證明的可并行化算法，利用Spark來實現會是一個錯的選擇，因為Graphx支持pregel的圖計算模型

二、Graphx包含哪些組件和基本框架？

1、成員變量

graph中重要的成員變量分別為

1. vertices

2. edges

3. triplets

為什么要引入triplets呢，主要是和Pregel這個計算模型相關，在triplets中，同時記錄著edge和vertex. 具體代碼就不羅列了。

2、成員函數

函數分成幾大類

1. 對所有頂點或邊的操作，但不改變圖結構本身，如mapEdges, mapVertices

2. 子圖,類似于集合操作中的filter subGraph

3. 圖的分割，即paritition操作，這個對于Spark計算來說，很關鍵，正是因為有了不同的Partition,才有了并行處理的可能, 不同的PartitionStrategy,其收益不同。最容易想到的就是利用Hash來將整個圖分成多個區域。

4. outerJoinVertices 頂點的外連接操作

三、圖的運算和操作 GraphOps

圖的常用算法是集中抽象到GraphOps這個類中，在Graph里作了隱式轉換，將Graph轉換為GraphOps，具體有下列12個算子：

1. collectNeighborIds

2. collectNeighbors

3. collectEdges

4. joinVertices

5. filter

6. pickRandomVertex

7. pregel

8. pageRank

9. staticPageRank

10. connectedComponents

11. triangleCount

12. stronglyConnectedComponents

RDD

RDD是Spark體系的核心，那么Graphx中引入了哪些新的RDD呢，有倆，分別為

1. VertexRDD

2. EdgeRDD

較之EdgeRdd，VertexRDD更為重要，其上的操作也很多，主要集中于Vertex之上屬性的合并，說到合并就不得不扯到關系代數和集合論，所以在VertexRdd中能看到許多類似于sql中的術語，如

• leftJoin

• innerJoin

• 
  

四、GraphX場景分析

1、圖的存儲和加載

在進行數學計算的時候，圖用線性代數中的矩陣來表示，那么如何進行存儲呢？

學數據結構的時候，老師肯定說過好多的辦法，不再啰嗦了。

不過在大數據的環境下，如果圖很巨大，表示頂點和邊的數據不足以放在一個文件中怎么辦？ 用HDFS

加載的時候，一臺機器的內存不足以容下怎么辦？ 延遲加載，在真正需要數據時，將數據分發到不同機器中，采用級聯方式。

一般來說，我們會將所有與頂點相關的內容保存在一個文件中vertexFile，所有與邊相關的信息保存在另一個文件中edgeFile。

生成某一個具體的圖時，用edge就可以表示圖中頂點的關聯關系，同時圖的結構也表示出來了。

下面是Spark官方示例，用2個Array構造了一個Graph。

val users: RDD[(VertexId, (String, String))] =

  sc.parallelize(Array((3L, ("rxin", "student")), (7L, ("jgonzal", "postdoc")),

                       (5L, ("franklin", "prof")), (2L, ("istoica", "prof"))))

// Create an RDD for edges

val relationships: RDD[Edge[String]] =

  sc.parallelize(Array(Edge(3L, 7L, "collab"),    Edge(5L, 3L, "advisor"),

                       Edge(2L, 5L, "colleague"), Edge(5L, 7L, "pi")))

// Define a default user in case there are relationship with missing user

val defaultUser = ("John Doe", "Missing")

// Build the initial Graph

val graph = Graph(users, relationships, defaultUser)

2、GraphLoader

graphLoader是graphx中專門用于圖的加載和生成，最重要的函數就是edgeListFile。

//以頂點劃分，分成4個分區

val graph = GraphLoader.edgeListFile(sc,"hdfs://192.168.0.10:9000/input/graph/web-Google.txt",minEdgePartitions = 4)

五、GraphX應用舉例

一行代碼：

val rank = graph.pageRank(0.01).vertices

用RDD實現：

完整代碼

// Connect to the Spark clusterval 
sc = new SparkContext("spark://master.amplab.org", "research")
// Load my user data and parse into tuples of user id and attribute list
val users = (sc.textFile("graphx/data/users.txt")
  .map(line => line.split(","))
  .map( parts => (parts.head.toLong, parts.tail) ))
  // Parse the edge data which is already in userId -> userId format
  val followerGraph = GraphLoader.edgeListFile(sc, "graphx/data/followers.txt")
  // Attach the user attributes
  val graph = followerGraph.outerJoinVertices(users) { 
   case (uid, deg, Some(attrList)) => attrList  
   // Some users may not have attributes so we set them as empty
    case (uid, deg, None) => Array.empty[String]
    }
// Restrict the graph to users with usernames and names
val subgraph = graph.subgraph(vpred = (vid, attr) => attr.size == 2)
// Compute the PageRank

// Get the attributes of the top pagerank users
val userInfoWithPageRank = subgraph.outerJoinVertices(pagerankGraph.vertices) { 
 case (uid, attrList, Some(pr)) => (pr, attrList.toList) 
  case (uid, attrList, None) => (0.0, attrList.toList)
}

println(userInfoWithPageRank.vertices.top(5)(Ordering.by(_._2._1)).mkString("\n"))