Spark-GraphX

概要

GraphX是Spark的一个新模块，该模块用于图和图并行计算。在更高的层面上，GraphX通过引入一种新的图抽象—一个顶点和边均附有属性的有向多图—对Spark RDD进行了扩展。为支持图计算，GraphX提供了一系列基本操作和一个优化的Pregel API变体。此外，为了简化图分析工作，GraphX也囊括了越来越多的图算法和构造器。

由Spark1.1上迁移

在Spark 1.5.0中GraphX有一些新的面向用户的API的变动。
1.为提升性能，我们引入了叫做aggreateMessages的对象，它是mapReduceTriplets的一个新版本。该对象通过调用(EdgeContext)得到原先由mapReduceTriplets返回值来得到的消息。我们将不推荐mapReduceTriplets并鼓励用户查询变迁指南。
2.在Spark1.0和1.1中，EdgeRDD的类型签名由EdgeRDD[ED]转换为EdgeRDD[ED,VD]从而使缓存得到优化。我们已经发现了一个更优雅的方法并且将类型签名恢复为更自然的EdgeRDD[ED]类型。

开始

你首先要做的是将Spark和GraphX导入你的工程中，如下所示：

import org.apache.spark._
import org.apache.spark.graphx._
import org.apache.spark.rdd.RDD

如果你使用的不是Spark shell，你还需要SparkContext。了解更多的关于Spark的入门内容，请参考Spark 快速入门指南

图构造器

GraphX提供了几种由RDD或磁盘上的顶点和边构建图的方法。构造器默认不对图的边进行重分区，反而是将边留在它们的默认分区中（如在HDFS上原来的分块中）。Graph.groupEdges需要对图进行重分区，因为它假设同一条边位于同一分区中，因此你必须在调用groupEdges前调用Graph.partitionBy。

 object GraphLoader{
      def edgeListFile(
             sc: SparkContext,
             path: String,
             canonicalOrientation:Boolean=false,
             minEdgePartirions:Int = 1)
       :Graph[Int, Int]
}

GraphLoader.edgeListFile提供了一种由存储在磁盘上的一系列边加载图的方法。它能由如下形式的（源节点，目标节点）解析得到连接关系，以#开头的是注释行。

#This is a comment
2 1
4 1
1 2

它由特定的边产生图，自动生成边中涉及的顶点。所有边和顶点的属性默认为1。参数canonicalOrientation允许以正方向重新设置边的方向，在连接单元算法中需要设置该参数的值。参数minEdgePartitions指定要产生的边分区的最小数目；如HDFS文件有更多的分块，则边分区可以比指定数目多。

object Graph { 
     def apply[VD, ED](
          vertices: RDD[(VertexId, VD)],
          edges: RDD[Edge[ED]], defaultVertexAttr: VD = null)
 : Graph[VD, ED] 
def fromEdges[VD, ED]( 
     edges: RDD[Edge[ED]], 
     defaultValue: VD)
: Graph[VD, ED] 
def fromEdgeTuples[VD]( 
      rawEdges: RDD[(VertexId, VertexId)], 
      defaultValue: VD, 
      uniqueEdges: Option[PartitionStrategy] = None)
: Graph[VD, Int]}

Graph.apply允许由点顶点和边的RDD生成图。重复的顶点直接挑出来且顶点是在边RDD中寻找而不是在顶点RDD中的顶点赋值默认的属性值。
Graph.fromEdges允许仅由边的RDD生成图，而自动生成所有涉及的顶点并赋予默认值。
Graph.fromEdgeTuples允许仅由边元组中生成图，边赋值为1。同时自动生成所有涉及的顶点并赋默认值。它也支持边的去重操作；为了去重，给uniqueEdges参数传递一个PartitionStrategy的Some的值。为了使同一条边在相同的分区，分区策略对于去重的是必要的