Spark + GraphX + Pregel
阅读原文时间:2023年07月10日阅读:4

Spark+GraphX图

Q:什么是图?图的应用场景

A:图是由顶点集合(vertex)及顶点间的关系集合(边edge)组成的一种网状数据结构,表示为二元组:Gragh=(V,E),V\E分别是顶点和边的集合。图很好的表达了事物间的练习,常用于对事物之间的关系建模。常见应用场景有:在地图应用中寻找最短路径、社交网络关系、网页间超链接关系。

——————————————————————————————————————————

Q:有向图与无向图是什么?

A:图的顶点间的连系即边是有向的,有向,,源顶点到目标顶点的顺序是固定的,形成了顶点的出度和入度。

——————————————————————————————————————————

Q:有环图和无环图是什么?

A:有环图即包含一系列顶点链接的环路,即存在某一点出发还能回到自身。无环图即不存在一点从自身出发还可以回到自身。(有向图)

——————————————————————————————————————————

Q:什么是度

A:度即一个顶点所有便的数量,出度是有向图中从当前顶点指向其他顶点的边的数量,入度是有向图中从其他顶点指向当前顶点的边的数量。

——————————————————————————————————————————

Q:邻接矩阵是什么?

A:表示各顶点之间连接关系的矩阵,相连则为1,自连为2,不相连为0

——————————————————————————————————————————

[TOC]

一、GraphX的数据结构

  • 提供分布式的图计算的API、

  • 基于弹性分布式属性图(V+E)(被封装为RDD【】),统一了表视图与图视图

    • Q:什么是弹性分布式属性图(Resilient Distributed Property Graph)
    • A:顶点和边都带属性有向多重

———————————————————————————————————————————

1、数据结构

注:VD 和 ED 是类的泛型,不要混淆为RDD的存储类型

  • Graph[VD,ED]

    • class Graph[VD, ED] {
      //基本结构
      val vertices: VertexRDD[VD]
      val edges: EdgeRDD[ED]
      val triplets: RDD[EdgeTriplet[VD, ED]]
      //额外信息
      val numEdges: Long
      val numVertices: Long
      val inDegrees: VertexRDD[Int]
      val outDegrees: VertexRDD[Int]
      val degrees: VertexRDD[Int]}
  • VertexRDD[VD]

    • RDD[(VertexId,VD)]
      //VertexId:Long的别名
      //VD就是顶点数据结构类的泛型
  • EdgeRDD[ED]

    • RDD[Edge[ED]]
      //Edge 样例类 (srcVid,dstVid,attr:ED)
      //ED就是边的数据结构类的泛型
  • EdgeTriplet[VD,ED]

    • 继承自Edge

    • 是Edge + srcVertex+desVertex的三元组的RDD ,自动推断的

    • srcid,srcattr,dstid,dstattr,attr

  • Edge:

    • 样例类case class(src:Long,des:Long,Edata:ED)
  • VertexId :Long的别名

    import org.apache.spark.graphx.GraphLoader
    org.apache.spark spark-graphx_2.11 2.2.0

二、图的操作

1、图的创建

  • 图的创建遵循图的数据结构

    //通过构造函数建立
    import org.apache.spark.graphx._
    val vertices:RDD[(VertexId,Int)]=sc.makeRDD(Seq((1L,1),(2L,2),(3L,3)))
    val edges=sc.makeRDD(Seq(Edge(1L,2L,1),Edge(2L,3L,2)))
    val graph=Graph(vertices,edges) //Graph[Int,Int] ?

    //通过边文件建立
    port org.apache.spark.graphx.GraphLoader
    //加载边列表文件创建图,文件每行描述一条边,格式:srcId dstId。顶点与边的属性均为1
    val graph = GraphLoader.edgeListFile(sc,"file:///opt/spark/data/graphx/followers.txt")
    //得到的是一个边和点的属性都为Int:1的一个图

注:所有描述图的RDD内的类型都是泛型的类型,不是指图的结构类型。

2、图的修改

2.1 属性算子:Map

*    仅用于修改图中的顶点或边的属性数据,不能改变ID
*    map返回值可以与旧值不一致


class Graph[VD, ED] {
    //返回值是VD,说明会以返回值替换原Vert中的VD数据而不改变ID
  def mapVertices[VD2](map: (VertexId, VD) =>VD2): Graph[VD2, ED]
    //替换边的属性值
  def mapEdges[ED2](map: Edge[ED] => ED2): Graph[VD, ED2]
    //仅能改变边的属性值
  def mapTriplets[ED2](map: EdgeTriplet[VD, ED] => ED2: Graph[VD, ED2] //Triplets不能修改顶点的泛型
}
//图的map方法返回的是一个有新的泛型类的Graph

demo实例

val t1_graph = tweeter_graph.mapVertices { case(vertextId, (name, age)) => (vertextId, name) }
val t2_graph = tweeter_graph.mapVertices { (vertextId, attr) => (vertextId, attr._1) }
val t3_graph = tweeter_graph.mapEdges(e => Edge(e.srcId, e.dstId, e.attr*7.0))

2.2 结构算子

class Graph[VD, ED] {
  def reverse: Graph[VD, ED] //改变边的方向,调换srcid和dstid
  def subgraph(epred: EdgeTriplet[VD,ED] => Boolean,
               vpred: (VertexId, VD) => Boolean): Graph[VD, ED]
} //epred 边的条件可省略,孤立点会被过滤

2.3 Join算子

  • 柯里化函数

  • map返回值类型与原VD一直

    //按id相等与否join
    class Graph[VD, ED] {
    //等值id的join,用结合了新节点的VD来替换旧的VD
    //是个柯里化函数
    //返回值必须与主图的VD一致
    def joinVertices[U](table: RDD[(VertexId, U)])(map: (VertexId, VD, U) => VD): Graph[VD, ED]

    //不等的id的属性会被补null

    def outerJoinVertices[U, VD2](table: RDD[(VertexId, U)])(map: (VertexId, VD, Option[U]) => VD2)
    : Graph[VD2, ED]
    }

demo实例

val tweeters_comps:RDD[(VertexId,String)]= sc.parallelize(Array((1L, "kgc.cn"), (2L, "berkeley.edu"), (3L, "apache.org")))
val t_graph = tweeter_graph.joinVertices(tweeters_comps)((id, v, cmpy) => (v._1 + " @ " + cmpy, v._2))
t_graph.vertices.collect

val s_graph = tweeter_graph.outerJoinVertices(tweeters_comps)((id, v, cmpy) => (v._1 + " @ " + cmpy, v._2))
s_graph.vertices.collect

三、图的应用算法

1、PageRank(PR)算法

用于评估网页链接的质量和数量,以确定该网页的重要性和权威性的相对分数,范围为0到10 ​ 从本质上讲,PageRank是找出图中顶点(网页链接)的重要性 ​ 1GraphX提供了PageRank API用于计算图的PageRank

class Graph[VD, ED] {
  def pageRank(tol: Double, resetProb: Double = 0.15): Graph[Double, Double]
}
val ranks = graph.pageRank(0.0001)
ranks.vertices.sortBy(_._2, false).collect
//res43: Array[(org.apache.spark.graphx.VertexId, Double)] = Array((1,1.7924127957615184), (6,0.9969646507526427), (2,0.9969646507526427), (4,0.9688717814927127), (3,0.6996243163176441), (5,0.5451618049228395))

2、Pregel算法

  • Pregel是Google提出的用于大规模分布式图计算框架

    • 图遍历(BFS)
    • 单源最短路径(SSSP)
    • PageRank计算
  • Pregel的计算由一系列迭代组成,称为supersteps

  • Pregel迭代过程

    • 每个顶点从上一个superstep接收入站消息
    • 计算顶点新的属性值
    • 在下一个superstep中向相邻的顶点发送消息
    • 当没有剩余消息时,迭代结束
  • 数据结构

  1. initialMsg:在“superstep 0”之前发送至顶点的初始消息

  2. maxIterations:将要执行的最大迭代次数

  3. activeDirection:发送消息方向(默认是出边方向:EdgeDirection.Out)

  4. vprog:用户定义函数,用于顶点接收消息

  5. sendMsg:用户定义的函数,用于确定下一个迭代发送的消息及发往何处

  6. mergeMsg:用户定义的函数,在vprog前,合并到达顶点的多个消息

    class Graph[VD, ED] {
    def pregel[A](initialMsg: A, maxIterations: Int, activeDirection: EdgeDirection)(

      //根据jmessage决定如何更新自己的VD【value,originValue】
      vprog: (VertexID, VD, A) => VD,
    
    /**
    *根据每个节点关联的三元组情况,决定要不要发送信息,以及发送什么信息到哪个节点
    *返回的是信息发送目标节点ID和信息message的二元组的迭代器
    */
      sendMsg: EdgeTriplet[VD, ED] => Iterator[(VertexID,A)],
    
     //迭代归并多个来源的信息,多个变一个
      mergeMsg: (A, A) => A
    ): Graph[VD, ED] //最终返回的是一个 结构不变、值改变 的新图

    }

手机扫一扫

移动阅读更方便

阿里云服务器
腾讯云服务器
七牛云服务器