Spark 组件 GraphX、Streaming

Spark 组件 GraphX、Streaming

• 一、Spark GraphX
  • 1.1 GraphX 的主要概念
  • 1.2 GraphX 的核心操作
  • 1.3 示例代码
  • 1.4 GraphX 的应用场景
• 二、Spark Streaming
  • 2.1 Spark Streaming 的主要概念
  • 2.2 示例代码
  • 2.3 Spark Streaming 的集成
  • 2.4 Spark Streaming 的应用场景

Spark GraphX 用于处理图和图并行计算。GraphX 将图的表达和操作嵌入到 Spark 的数据流 API 中，允许用户在图上执行高效的并行计算。GraphX 结合了图计算和数据流计算的功能，使得它能够处理复杂的数据分析任务。

Spark Streaming 用于处理实时数据流。它允许开发者以微批处理（Micro-batch）的方式处理实时数据，提供了一个高层次的 API，可以轻松地将批处理操作应用于实时数据流。

一、Spark GraphX

1.1 GraphX 的主要概念

1. 顶点 (Vertex)：
   • 图中的节点，表示实体或对象。每个顶点都有一个唯一的标识符（ID）和属性。
2. 边 (Edge)：
   • 图中的连接，表示顶点之间的关系。每条边连接两个顶点，并且也可以有属性。
3. 图 (Graph)：
   • 由顶点和边组成的结构。GraphX 使用 Graph 类来表示图，顶点和边的集合分别由 RDD[VertexId, VD] 和 RDD[Edge[ED]] 表示，其中 VD 和 ED 是顶点和边的属性类型。
4. Triplet：
   • GraphX 中的 EdgeTriplet 代表一条边及其连接的两个顶点的信息，允许同时访问顶点和边的属性。

1.2 GraphX 的核心操作

1. 图构造 (Graph Construction)：
   • 通过顶点和边的 RDD 来构建图。例如，使用 Graph(vertices, edges) 构造一个图。
2. 图转换 (Graph Transformation)：
   • 对图进行操作，例如过滤顶点和边 (subgraph)，或将顶点和边的属性映射到新属性 (mapVertices 和 mapEdges)。
3. 聚合消息 (Aggregate Messages)：
   • 用于从邻接顶点或边聚合信息。这在实现图算法（如 PageRank）时特别有用。
4. 图算法 (Graph Algorithms)：
   • GraphX 提供了一些预定义的图算法，如 PageRank、Connected Components、Shortest Paths 和 Triangle Counting。

1.3 示例代码

1.3.1 简单的 GraphX 示例，创建一个图并运行 PageRank 算法：

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

object GraphXExample {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf()
      .setAppName("graphx example")
      .setMaster("local[*]")
    
    // 创建 SparkSession
    val spark = SparkSession
      .builder
      .config(conf)
      .getOrCreate()

    // 创建顶点 RDD
    val vertices: RDD[(VertexId, String)] = spark.sparkContext.parallelize(Seq(
      (1L, "Alice"),
      (2L, "Bob"),
      (3L, "Charlie"),
      (4L, "David")
    ))

    // 创建边 RDD
    val edges: RDD[Edge[Int]] = spark.sparkContext.parallelize(Seq(
      Edge(1L, 2L, 1),
      Edge(2L, 3L, 1),
      Edge(3L, 4L, 1),
      Edge(4L, 1L, 1)
    ))

    // 创建图
    val graph = Graph(vertices, edges)

    // 运行 PageRank 算法
    // PageRank 算法最初是用于搜索引擎中对网页进行排序的基础算法，通过分析网络中的链接结构来评估每个网页的相对重要性。
    // 这里0.0001为收敛阈值
    val ranks = graph.pageRank(0.0001).vertices

    // 打印结果
    ranks.collect().foreach { case (id, rank) => println(s"Vertex $id has rank $rank") }

    // 停止 SparkSession
    spark.stop()
  }
}

1.3.2 Spark GraphX 的一些基本操作和概念

// 创建图
val graph = Graph(vertices, edges)

// vertices：获取图中的所有顶点。
graph.vertices.collect.foreach(println)

// mapVertices：对顶点的属性进行变换。
val newGraph = graph.mapVertices((id, attr) => attr.toUpperCase)

// edges：获取图中的所有边。
graph.edges.collect.foreach(println)

// mapEdges：对边的属性进行变换。
val newGraph = graph.mapEdges(e => e.attr * 2)

// 查看所有的边（将点带入）【完整】
graph.triplets.foreach(println)
// 入度：指向自己的个数
graph.inDegrees.foreach(println) // (人id,入度)

// 出度：指向别人的个数
graph.outDegrees.foreach(println) // (人id,出度)

// 将入度和出度一起显示
graph
    .inDegrees
    .join(graph.outDegrees)
    .foreach(println) // (人id,(入度,出度))

// 度：入度+出度
graph.degrees.foreach(println)

// subgraph：根据条件创建一个子图，保留满足条件的顶点和边。
val subGraph = graph.subgraph(vpred = (id, attr) => attr != "Bob")

// joinVertices：将图的顶点属性与一个新的 RDD 进行连接，并更新顶点属性。
val newAttrs: RDD[(Long, String)] = sc.parallelize(Seq(
  (1L, "Alice_new"),
  (4L, "David_new")
))

val joinedGraph = graph.joinVertices(newAttrs) {
  case (id, oldAttr, newAttr) => newAttr
}

1.3.3 图算法

// PageRank 算法用于计算图中每个顶点的重要性。
val ranks = graph.pageRank(0.0001).vertices
ranks.collect.foreach(println)

// 连接组件: 连通组件算法用于查找图中的连通子图。
val connectedComponents = graph.connectedComponents().vertices
connectedComponents.collect.foreach(println)

// 三角计数: 三角计数算法用于计算每个顶点所属的三角形数量。
val triangleCounts = graph.triangleCount().vertices
triangleCounts.collect.foreach(println)

// 图的持久化与加载: 图可以通过将顶点和边的 RDD 存储在 HDFS 或其他文件系统中进行持久化。
// 保存图的顶点和边
graph.vertices.saveAsTextFile("hdfs://path/to/vertices")
graph.edges.saveAsTextFile("hdfs://path/to/edges")

// 从文件中加载图
val loadedVertices: RDD[(Long, String)] = sc.textFile("hdfs://path/to/vertices").map { line =>
  val parts = line.split(",")
  (parts(0).toLong, parts(1))
}

val loadedEdges: RDD[Edge[Int]] = sc.textFile("hdfs://path/to/edges").map { line =>
  val parts = line.split(",")
  Edge(parts(0).toLong, parts(1).toLong, parts(2).toInt)
}

val loadedGraph: Graph[String, Int] = Graph(loadedVertices, loadedEdges)

1.3.4 Pregel 模型

Pregel 算法是一种迭代、消息传递的计算模型，特别适用于处理图的遍历和递归问题，如最短路径计算、PageRank、连通组件检测等。
Pregel 的核心思想是将图计算任务表示为一个超级步（superstep）序列，每个超级步由以下几个阶段组成：

1. 消息传递：每个顶点可以向相邻的顶点发送消息。
2. 消息处理：每个顶点接收来自相邻顶点的消息，并更新自己的状态。
3. 顶点计算：顶点在处理完消息后可以决定是否继续活跃或停止计算（halt）。

这个过程会不断迭代，直到所有顶点都停止计算或达到指定的迭代次数。

// Pregel 模型: 
val initialMsg = ... // 定义初始消息
val maxIterations = 10 // 最大迭代次数

val resultGraph = graph.pregel(initialMsg, maxIterations)(
  // 顶点程序，处理接收到的消息并更新顶点属性
  vprog = (id, attr, msg) => {
    // 根据顶点的属性和收到的消息，更新顶点属性
  },
  // 发送消息，定义如何从一个顶点向相邻的顶点发送消息
  sendMsg = triplet => {
    // 根据边的属性和顶点的状态，决定发送的消息
  },
  // 聚合消息，定义如何合并一个顶点接收到的所有消息
  mergeMsg = (msg1, msg2) => {
    // 合并接收到的多个消息
  }
)

使用 Pregel 模型可以计算图中某个起点到其他所有顶点的最短路径。

import org.apache.spark.SparkConf
import org.apache.spark.graphx._
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.SparkSession

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

    val conf = new SparkConf()
      .setAppName("graphx example")
      .setMaster("local[*]")

    // 创建 SparkSession
    val spark = SparkSession
      .builder
      .config(conf)
      .getOrCreate()

    val vertices: RDD[(VertexId, String)] = spark.sparkContext.parallelize(Seq(
      (1L, "Alice"),
      (2L, "Bob"),
      (3L, "Charlie"),
      (4L, "David")
    ))

    // 创建边 RDD
    val edges: RDD[Edge[Int]] = spark.sparkContext.parallelize(Seq(
      Edge(1L, 2L, 1),
      Edge(2L, 3L, 1),
      Edge(2L, 4L, 5),
      Edge(3L, 4L, 2),
      Edge(4L, 1L, 1)
    ))

    // 创建图
    val graph: Graph[String, PartitionID] = Graph(vertices, edges)

    // 设置源顶点 ID
    val sourceId: VertexId = 1L

    // 初始化图的顶点属性，将源顶点的距离设为 0.0，其他顶点设为无穷大
    val initialGraph = graph.mapVertices((id, name) =>
      if (id == sourceId) (name, 0.0) else (name, Double.PositiveInfinity)
    )

    // 运行 Pregel 算法计算单源最短路径 (SSSP)
    val sssp = initialGraph.pregel(Double.PositiveInfinity)(
      // 顶点程序：更新顶点属性（即距离）为当前距离与新接收到的距离中的较小值
      vprog = (id, attr, msg) => (attr._1, Math.min(attr._2, msg)),

      // 消息发送函数：计算从源顶点到目标顶点的距离，如果新计算的距离小于目标顶点当前的距离，则发送消息
      sendMsg = triplet => {
        if (triplet.srcAttr._2 + triplet.attr < triplet.dstAttr._2) {
          Iterator((triplet.dstId, triplet.srcAttr._2 + triplet.attr))
        } else {
          Iterator.empty
        }
      },
      // 消息合并函数：在目标顶点收到多个消息时，取最短的距离
      mergeMsg = (a, b) => math.min(a, b)
    )

    // 打印最终的最短路径结果
    sssp.vertices.collect.foreach { case (id, (name, dist)) =>
      println(s"Distance from $sourceId to $id ($name) is $dist")
    }

    // 停止 SparkSession
    spark.stop()
  }
}

1.4 GraphX 的应用场景

• 社交网络分析：分析用户之间的关系，如好友推荐、社交影响力分析。
• 路径分析：计算最短路径、页面排名等。
• 社区检测：识别图中连接紧密的子图或社区。
• 网络优化：通过图分析网络拓扑结构，优化数据流路由等。

二、Spark Streaming

2.1 Spark Streaming 的主要概念

Spark Streaming 提供了一个强大且易用的 API，使开发者能够轻松地构建实时数据处理应用，特别适合需要低延迟、高吞吐量的场景。

1. DStream (Discretized Stream)：
   • DStream 是 Spark Streaming 中的核心抽象，表示一个连续的数据流。它可以被视为一系列 RDD（Resilient Distributed Datasets）的集合，每个 RDD 都包含某个时间间隔内的数据。
   • DStream 可以从各种输入源（如 Kafka、Flume、TCP 套接字等）创建，也可以通过对现有 DStream 的转换来创建。
2. Transformations (转换操作)：
   • 类似于 Spark 的 RDD 转换操作，DStream 支持各种转换操作，如 map、filter、reduceByKey 等。每个转换操作都会应用于 DStream 中的每个 RDD，生成一个新的 DStream。
3. Output Operations (输出操作)：
   • DStream 提供多种输出操作，将处理后的数据输出到外部系统。例如，print、saveAsTextFiles、saveAsHadoopFiles、foreachRDD 等。
4. Window Operations (窗口操作)：
   • Spark Streaming 支持窗口操作，允许对一段时间范围内的数据进行聚合。例如，可以计算过去 10 秒钟内的每 2 秒的数据。

2.2 示例代码

一个简单的 Spark Streaming 示例，读取 TCP 套接字数据，并进行词频统计：

import org.apache.spark.SparkConf
import org.apache.spark.streaming.{Seconds, StreamingContext}

object SparkStream {
  def main(args: Array[String]): Unit = {
    // 创建 Spark 配置对象，并设置应用名称和运行模式
    val conf = new SparkConf()
      .setMaster("local[*]")  // 使用本地模式运行，[*] 表示使用所有可用的 CPU 核心
      .setAppName("spark-streaming")  // 设置应用程序名称

    // 创建 StreamingContext，设置批处理间隔为 5 秒
    val scc = new StreamingContext(conf, Seconds(5))

    // 监听本地端口 9999，接收流式数据
    scc.socketTextStream("localhost", 9999)
      .mapPartitions(
        _.flatMap(
          _.replaceAll("[^a-zA-Z ]+", "")  
            .split("\\s+") 
            .map((_, 1))
        )
      )
      // 按单词进行归约，计算每个单词的出现次数
      .reduceByKey(_ + _)
      // 打印结果到控制台
      .print()

    // 启动 Spark Streaming 计算
    scc.start()
    // 等待应用程序终止
    scc.awaitTermination()
  }
}

2.3 Spark Streaming 的集成

• 与 Kafka 集成：Spark Streaming 可以从 Kafka 中读取数据流，用于实时日志处理、监控等场景。
• 与 Flume 集成：结合 Flume 进行分布式日志收集，然后使用 Spark Streaming 实时处理和分析日志。
• 与 HDFS、S3 等集成：将处理后的数据输出到 HDFS、S3 等分布式文件系统进行持久化存储。
• 与 SQL 和 MLlib 集成：Spark Streaming 可以与 Spark SQL 和 MLlib 集成，进行实时的数据分析和机器学习任务。

2.4 Spark Streaming 的应用场景

• 实时日志分析：监控服务器日志、应用日志，检测异常情况。
• 实时 ETL (Extract, Transform, Load)：对流式数据进行清洗、转换，并写入到数据仓库。
• 实时监控与报警：对实时数据流进行分析，当检测到特定条件时触发报警。
• 在线推荐系统：基于实时用户行为数据进行推荐，例如在线广告推荐。