GraphX学习笔记——Programming Guide

学习的资料是官网的Programming Guide

https://spark.apache.org/docs/latest/graphx-programming-guide.html

首先是GraphX的简介

GraphX是Spark中专门负责图和图并行计算的组件。

GraphX通过引入了图形概念来继承了Spark RDD：一个连接节点和边的有向图

为了支持图计算，GraphX引入了一些算子： subgraph, joinVertices, and aggregateMessages等

和 Pregel API，此外还有一些algorithms 和 builders 来简化图分析任务。

关于构建 节点Vertex 和 边Edge

1.如果需要将节点定义成一个类

package graphx

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.graphx._
import org.apache.spark.rdd.RDD
import org.graphstream.graph.implementations.{AbstractEdge, SingleGraph, SingleNode}

/**
  * Created by common on 18-1-22.
  */

// 抽象节点
class VertexProperty()
// User节点
case class UserProperty(val name: String) extends VertexProperty
// Product节点
case class ProductProperty(val name: String, val price: Double) extends VertexProperty

object GraphxLearning {

  def main(args: Array[String]): Unit = {

    val conf = new SparkConf().setAppName("GraphX").setMaster("local")
    val sc = new SparkContext(conf)

    // The graph might then have the type:
    var graph: Graph[VertexProperty, String] = null

  }
}

和节点一样，边也可以定义成一个class，同时Graph类需要和定义的节点和边的类型相对应

class Graph[VD, ED] {    // VD表示节点类型，ED表示边类型
  val vertices: VertexRDD[VD]
  val edges: EdgeRDD[ED]
}

2.如果节点的类型比较简单，例如只是一个String或者(String,String)，就不需要定义成一个类

package graphx

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.graphx._
import org.apache.spark.rdd.RDD
import org.graphstream.graph.implementations.{AbstractEdge, SingleGraph, SingleNode}

/**
  * Created by common on 18-1-22.
  */
object GraphxLearning {

  def main(args: Array[String]): Unit = {

    val conf = new SparkConf().setAppName("GraphX").setMaster("local")
    val sc = new SparkContext(conf)

    // Create an RDD for the vertices
    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")

    // 使用多个RDDs建立一个Graph，Graph的类型分别是节点加上边的类型，有两种节点，一种有ID，一种没有
    val srcGraph: Graph[(String, String), String] = Graph(users, relationships, defaultUser)

  }
}

图的一些算子

图信息
numEdges: Long	计算整个图中边的数目
numVertices: Long	计算整个图中顶点的数目
inDegrees: VertexRDD[Int]	计算所有点的入度，若顶点无入度，则不会出现在结果中
outDegrees: VertexRDD[Int]	计算所有点的出度，和inDegrees相似，若顶点无出度则不会出现在结果中
degrees: VertexRDD[Int]	计算所有顶点的出入度之和，孤立的顶点（无边与之相连）不会出现在结果中
查看图中的集合
vertices: VertexRDD[VD]	节点VertexRDD
edges: EdgeRDD[ED]	边EdgeRDD
triplets: RDD[EdgeTriplet[VD, ED]]	三元组RDD
图存储
persist(newLevel: StorageLevel = StorageLevel.MEMORY_ONLY): Graph[VD, ED]
cache(): Graph[VD, ED]
unpersistVertices(blocking: Boolean = true): Graph[VD, ED]
操作partition的算子
partitionBy(partitionStrategy: PartitionStrategy): Graph[VD, ED]
操作Vertex和Edge的算子，以生成新的Graph
mapVertices[VD2](map: (VertexId, VD) => VD2): Graph[VD2, ED]
mapEdges[ED2](map: Edge[ED] => ED2): Graph[VD, ED2]
mapEdges[ED2](map: (PartitionID, Iterator[Edge[ED]]) => Iterator[ED2]): Graph[VD, ED2]
mapTriplets[ED2](map: EdgeTriplet[VD, ED] => ED2): Graph[VD, ED2]
mapTriplets[ED2](map: (PartitionID, Iterator[EdgeTriplet[VD, ED]]) => Iterator[ED2]) : Graph[VD, ED2]
修改图结构的算子
reverse: Graph[VD, ED]	改变有向边的方向
subgraph( epred: EdgeTriplet[VD,ED] => Boolean = (x => true), vpred: (VertexId, VD) => Boolean = ((v, d) => true)) : Graph[VD, ED]	子图
mask[VD2, ED2](other: Graph[VD2, ED2]): Graph[VD, ED]
groupEdges(merge: (ED, ED) => ED): Graph[VD, ED]	graphx中两个节点之间可以存在多条边，可以用于将这多条边合并
Join算子
joinVertices[U](table: RDD[(VertexId, U)])(mapFunc: (VertexId, VD, U) => VD): Graph[VD, ED]	使用顶点的更新数据生成新的顶点数据。将图数据与输入数据做内连接操作，过滤输入数据中不存在的顶点，并对连接结果使用指定的UDF进行计算，若输入数据中未包含图中某些顶点的更新数据，则在新图中使用顶点的旧数据
outerJoinVertices[U, VD2](other: RDD[(VertexId, U)]) (mapFunc: (VertexId, VD, Option[U]) => VD2) : Graph[VD2, ED]
聚合算子
collectNeighborIds(edgeDirection: EdgeDirection): VertexRDD[Array[VertexId]]	收集每个顶点的相邻顶点的ID数据，edgeDirection用来控制收集的方向
collectNeighbors(edgeDirection: EdgeDirection): VertexRDD[Array[(VertexId, VD)]]	收集每个顶点的相邻顶点的数据，当图中顶点的出入度较大时，可能会占用很大的存储空间，参数edgeDirection用于控制收集方向
aggregateMessages[Msg: ClassTag]( sendMsg: EdgeContext[VD, ED, Msg] => Unit, mergeMsg: (Msg, Msg) => Msg, tripletFields: TripletFields = TripletFields.All) : VertexRDD[A]
迭代图并行计算的算子
pregel[A](initialMsg: A, maxIterations: Int, activeDirection: EdgeDirection)( vprog: (VertexId, VD, A) => VD, sendMsg: EdgeTriplet[VD, ED] => Iterator[(VertexId,A)], mergeMsg: (A, A) => A) : Graph[VD, ED]
基础图算法
pageRank(tol: Double, resetProb: Double = 0.15): Graph[Double, Double]
connectedComponents(): Graph[VertexId, ED]	联通，无向联通的节点将会有一个相同的VertexId
triangleCount(): Graph[Int, ED]
stronglyConnectedComponents(numIter: Int): Graph[VertexId, ED] }	强联通，有向联通的节点将会有一个相同的VertexId
LabelPropagation	标签传播算法 算法终止条件：它要求所有的node都满足，node的label一定是它的邻居label中出现次数最多的(或最多的之一)，这意味着，每个node的邻居中，和它处于同一个community的数量一定大于等于处于其它community的数量
ShortestPaths	最短路径算法
SVDPlusPlus	SVD算法