Spark GraphX 快速入门

骑猪看日落 2021-09-24 15:20 316阅读 0赞

### 教程目录 ###

*  0x00 教程内容
 *  0x01 Spark GraphX 介绍
 *   *   *   *   *  1. GraphX 介绍
                 *  2. GraphX 的使用场景
 *  0x02 GraphX 重要概念与实操
 *   *   *   *   *  1. 属性图
                 *  2. 多种方式理解GraphX
                 *  3. 属性图编程示例
 *  0xFF 总结

# 0x00 教程内容 #

1.  Spark GraphX 理论
2.  GraphX 重要概念与实操

# 0x01 Spark GraphX 介绍 #

##### 1. GraphX 介绍 #####

GraphX 是 Spark 四大核心组件之一，它也是使用 Spark 作为计算引擎的，GraphX 是用于图形和图形并行计算的组件，实现了大规模图计算的功能。GraphX 的出现使 Spark 生态系统变得更加完善和丰富，同时它能够与 Spark 生态系统的其它组件天然融合，再加上它强大的图数据处理能力，在工业届得到了广泛的运用。

在高层次上，GraphX 通过引入一个新的图形抽象来扩展 Spark RDD ：即`顶点`和`边`带有特性的`有向多重图`。GraphX 提供了一些基本运算符以及优化了的 `Pregel API`。 此外，GraphX 提供了大量的图算法和构建器，以简化图形分析任务。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYW9jazIwMTg_size_16_color_FFFFFF_t_70_pic_center]  
GraphX 有两个RDD， 一个是点RDD，一个是边RDD。  
Vertex：表示顶点，每个顶点都会有一个唯一标识以及这个顶点的属性 。  
Edge：表示有向边，由一个源顶点id，一个目标顶点id以及这条边的属性组成 。

这些关系，都可以转化为相应的表来描述。

##### 2. GraphX 的使用场景 #####

在社交网络中，比如：Twitter、Facebook、微博、微信等，人与人之间存在着很多的关系链。这些地方产生的数据更加适合使用图处理来进行计算。图的分布式或者并行处理其实是把图拆分成很多个子图，然后分别对这些子图进行计算，计算的时候可以分别迭代进行分阶段的计算，即对图进行并行计算。

# 0x02 GraphX 重要概念与实操 #

##### 1. 属性图 #####

属性图是一个`有向多重图`，它的每个`顶点`和每条`边`都附有用户定义的对象。作为有向图，有向多重图可能有多个平行的边来共享相同的`源顶点`和`目标顶点`。作为多重图，它支持`并行边`，这个特性简化了许多涉及多重关系的建模场景。每个顶点的主键是一个长度为64 bit的唯一标识符（VertexID）。GraphX没有为顶点添加任何顺序的约束。类似地，每一条边有对应的`源顶点`和`目标顶点`的标识符。

因此，属性图的参数是通过顶点（VD）和边的类型（ED）来决定的。

在某些情况下，你可能希望在同一个图里面，顶点能够有不同的属性类型。这个想法可以通过继承实现。举个例子，我们可以对`用户`和`产品`进行建模，将其作为一个二分图，然后进行如下的定义：

class VertexProperty()
    case class UserProperty(val name: String) extends VertexProperty
    case class ProductProperty(val name: String, val price: Double) extends VertexProperty
    // 图可能会有这个类型
    var graph: Graph[VertexProperty, String] = null

类似于 RDD，属性图是`不可变的`、`分布式`的，并且具有`容错性`。对于图而言，它的值或者结构上的改变，是通过产生带有预期改变的新图来完成的。主要注意的是，原始图的主要部分（即不受影响的结构、属性和索引等）在新图中被重用，以减少固有功能的数据结构成本。通过使用大量的启发式顶点分区，图在不同的执行器里被划分。就像 RDD 一样，图的每个分区可以在发生故障时被不同的机器重建。

属性图在逻辑上对应于一对类型化集合（RDD），该集合编码了每个顶点和每条边属性。因而，图类包含了可以访问`图的顶点`和`边的成员`，它的定义如下：

class Graph[VD, ED] { 
      val vertices: VertexRDD[VD]
      val edges: EdgeRDD[ED]
    }

`VertexRDD[VD]`类和`EdgeRDD[ED]`类分别继承和优化了`RDD[(VertexID, VD)]`类和`RDD[Edge[ED]]`类。两者都提供基于图计算和内部优化构建的额外功能。在此你可将其简单地理解为以`RDD[(VertexID, VD)]`和`RDD[Edge[ED]]`形式定义的 RDD。

##### 2. 多种方式理解GraphX #####

a. EdgeTriplet表示

val facts: RDD[String] = graph.triplets.map(triplet => triplet.srcAttr._1 + " is the " + triplet.attr + " of " + triplet.dstAttr._1)

b. SQL表示triplet表示

SELECT src.id, dst.id, src.attr, e.attr, dst.attr 
    FROM edges AS e LEFT JOIN vertices AS src, vertices AS dst 
    ON e.srcId = src.Id AND e.dstId = dst.Id

c. 图表示triplet表示  
![在这里插入图片描述][20200920083539386.png_pic_center]

##### 3. 属性图编程示例 #####

现在假设我们要构建一个由许多来自 GraphX 项目组的协作者组成的属性图。顶点的属性可能包含`用户名`和`职业`。我们应该用一个可以描述协作者间的关系的字符串来注释图的边。依然是使用上面的图：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYW9jazIwMTg_size_16_color_FFFFFF_t_70_pic_center]  
启动Spark Shell：

spark-shell

编写案例代码：

import org.apache.spark.graphx.{ Edge, Graph, VertexId}
    import org.apache.spark.rdd.RDD
    
    // 如果不是在 `spark-shell` 中操作，则还需要额外引入 `SparkContext`。
    // val sc: SparkContext
    
    // 创建一个RDD用于表示顶点
    val users: RDD[(VertexId, (String, String))] =
      sc.parallelize(Array((3L, ("xiaoshao", "student")), (7L, ("laoshao", "Postdoctoral")),
        (5L, ("laonai", "professor")), (2L, ("laoyi", "professor"))))
     
    // 创建一个RDD用于表示边
    val relationships: RDD[Edge[String]] =
      sc.parallelize(Array(Edge(3L, 7L, "partner"),
        Edge(5L, 3L, "mentor"),Edge(2L, 5L, "worker"), Edge(5L, 7L, "leader")))
    
    // 定义默认的用户，用于建立与缺失的用户之间的关系
    val defaultUser = ("spark", "default")
     
    // 构造图对象，即初始化
    val graph = Graph(users, relationships, defaultUser)

Edge类有`srcId`和`dstId`，分别对应于`源顶点`和`目标顶点`的标识符。另外，Edge类有一个名为`attr`的成员，用于存储边的属性，可以结合着表来理解。

执行过程如图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYW9jazIwMTg_size_16_color_FFFFFF_t_70_pic_center 1]  
我们可以进一步操作，使用`graph.vertices`和`graph.edges`函数来解构一个图，将其转化为各个顶点和边的视图，并且实现一些简单的统计操作：

// 看看博士后的有多少人
    graph.vertices.filter {  case (id, (name, pos)) => pos == "Postdoctoral" }.count

![在这里插入图片描述][20200921090953414.png_pic_center]

// 源顶点id大于目标顶点id的数量
    graph.edges.filter(e => e.srcId > e.dstId).count

![在这里插入图片描述][20200921091020800.png_pic_center]

// 显示关系
    val facts: RDD[String] = graph.triplets.map(triplet =>
      triplet.srcAttr._1 + " is the " + triplet.attr + " of " + triplet.dstAttr._1)
    
    facts.collect.foreach(println(_))

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYW9jazIwMTg_size_16_color_FFFFFF_t_70_pic_center 2]  
解释：`graph.vertices`函数的返回值类型是 `VertexRDD[(String, String)]`，它继承了 `RDD[(VertexID, (String, String))]`，所以我们可以用 Scala 的 case 表达式来解构这个元组。另外，`graph.edges`函数的返回值类型是`EdgeRDD`，它包含了`Edge[String]`对象。

# 0xFF 总结 #

1.  更多学习请参考官网：[https://spark.apache.org/docs/latest/graphx-programming-guide.html][https_spark.apache.org_docs_latest_graphx-programming-guide.html]
2.  推荐一本入门GraphX的入门书籍：《Spark GraphX实战》，挺适合初学者入门。

--------------------

**福利：**  
[邵奈一的技术博客导航][Link 6]

邵奈一原创不易，如转载请标明出处，教育是一生的事业。

--------------------

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYW9jazIwMTg_size_16_color_FFFFFF_t_70_pic_center]: /images/20210923/2f24d9f333e144a290f68920876b9a0f.png
[20200920083539386.png_pic_center]: /images/20210923/982d2372ba264bcf969a6c0018d8bf29.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYW9jazIwMTg_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20210923/651128e7a6614161b60befee1c605c9b.png
[20200921090953414.png_pic_center]: /images/20210923/69cd0393bf2442c6af207799ae8df57d.png
[20200921091020800.png_pic_center]: /images/20210923/9ed7ed6d79304b3bbdf834fff8755221.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYW9jazIwMTg_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20210923/5bae9aa92be94bd8a1a46d41997c1059.png
[https_spark.apache.org_docs_latest_graphx-programming-guide.html]: https://spark.apache.org/docs/latest/graphx-programming-guide.html
[Link 1]: https://blog.csdn.net/shaock2018
[Link 2]: https://img-blog.csdnimg.cn/20190608000417972.jpeg?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3NoYW9jazIwMTg=,size_16,color_FFFFFF,t_70
[Link 3]: https://img-blog.csdnimg.cn/20190514084602748.png
[Link 4]: https://weibo.com/5680168183/
[Link 5]: https://www.jianshu.com/u/6f033c6a3b90
[Link 6]: https://blog.csdn.net/shaock2018/article/details/89349249