Spark图处理GraphX学习笔记！

13432878738

　　Spark图处理GraphX学习笔记！
　　

　　一、什么是GraphX？
　　Graphx利用了Spark这样了一个并行处理框架来实现了图上的一些可并行化执行的算法。
　　

• 　　算法是否能够并行化与Spark本身无关
  
• 　　算法并行化与否的本身，需要通过数学来证明
  
• 　　已经证明的可并行化算法，利用Spark来实现会是一个错的选择，因为Graphx支持pregel的图计算模型
  

　　

　　二、Graphx包含哪些组件和基本框架？
　　

1、成员变量
graph中重要的成员变量分别为

• 　　vertices
  
• 　　edges
  
• 　　triplets
  

为什么要引入triplets呢，主要是和Pregel这个计算模型相关，在triplets中，同时记录着edge和vertex. 具体代码就不罗列了。
2、成员函数
函数分成几大类

• 　　对所有顶点或边的操作，但不改变图结构本身，如mapEdges, mapVertices
  
• 　　子图,类似于集合操作中的filter subGraph
  
• 　　图的分割，即paritition操作，这个对于Spark计算来说，很关键，正是因为有了不同的Partition,才有了并行处理的可能, 不同的PartitionStrategy,其收益不同。最容易想到的就是利用Hash来将整个图分成多个区域。
  
• 　　outerJoinVertices 顶点的外连接操作
  

　　
三、图的运算和操作 GraphOps
图的常用算法是集中抽象到GraphOps这个类中，在Graph里作了隐式转换，将Graph转换为GraphOps，具体有下列12个算子：

• 　　collectNeighborIds
  
• 　　collectNeighbors
  
• 　　collectEdges
  
• 　　joinVertices
  
• 　　filter
  
• 　　pickRandomVertex
  
• 　　pregel
  
• 　　pageRank
  
• 　　staticPageRank
  
• 　　connectedComponents
  
• 　　triangleCount
  
• 　　stronglyConnectedComponents
  

　　

RDD
RDD是Spark体系的核心，那么Graphx中引入了哪些新的RDD呢，有俩，分别为

• 　　VertexRDD
  
• 　　EdgeRDD
  

较之EdgeRdd，VertexRDD更为重要，其上的操作也很多，主要集中于Vertex之上属性的合并，说到合并就不得不扯到关系代数和集合论，所以在VertexRdd中能看到许多类似于sql中的术语，如

• 　　leftJoin
  
• 　　innerJoin
  
• 　　
  
  

四、GraphX场景分析
　　

1、图的存储和加载
在进行数学计算的时候，图用线性代数中的矩阵来表示，那么如何进行存储呢？
学数据结构的时候，老师肯定说过好多的办法，不再啰嗦了。
不过在大数据的环境下，如果图很巨大，表示顶点和边的数据不足以放在一个文件中怎么办？ 用HDFS
加载的时候，一台机器的内存不足以容下怎么办？ 延迟加载，在真正需要数据时，将数据分发到不同机器中，采用级联方式。
一般来说，我们会将所有与顶点相关的内容保存在一个文件中vertexFile，所有与边相关的信息保存在另一个文件中edgeFile。
生成某一个具体的图时，用edge就可以表示图中顶点的关联关系，同时图的结构也表示出来了。
下面是Spark官方示例，用2个Array构造了一个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中专门用于图的加载和生成，最重要的函数就是edgeListFile。
　　//以顶点划分，分成4个分区
　　val graph = GraphLoader.edgeListFile(sc,"hdfs://192.168.0.10:9000/input/graph/web-Google.txt",minEdgePartitions = 4)
　　

　　五、GraphX应用举例
　　一行代码：

　　val rank = graph.pageRank(0.01).vertices
　　
　　
　　用RDD实现：
完整代码
// 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"))