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,
——————————————————————————————————————————
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]
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
———————————————————————————————————————————
注:VD 和 ED 是类的泛型,不要混淆为RDD的存储类型
Graph[VD,ED]
VertexRDD[VD]
EdgeRDD[ED]
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:
VertexId :Long的别名
import org.apache.spark.graphx.GraphLoader
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。
* 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))
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
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
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))
Pregel是Google提出的用于大规模分布式图计算框架
Pregel的计算由一系列迭代组成,称为supersteps
Pregel迭代过程
数据结构:
initialMsg:在“superstep 0”之前发送至顶点的初始消息
maxIterations:将要执行的最大迭代次数
activeDirection:发送消息方向(默认是出边方向:EdgeDirection.Out)
vprog:用户定义函数,用于顶点接收消息
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
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
你可能感兴趣的文章