由Databricks、UC Berkeley以及MIT联合为Apache Spark开发了一款图像处理类库,名为:GraphFrames,该类库是构建在DataFrame之上,它既能利用DataFrame良好的扩展性和强大的性能,同时也为Scala、Java和Python提供了统一的图处理API。
什么是GraphFrames
与Apache Spark的GraphX类似,GraphFrames支持多种图处理功能,但得益于DataFrame因此GraphFrames与GraphX库相它有着下面几方面的优势:
1、统一的 API: 为Python、Java和Scala三种语言提供了统一的接口,这是Python和Java首次能够使用GraphX的全部算法。
2、强大的查询功能:GraphFrames使得用户可以构建与Spark SQL以及DataFrame类似的查询语句。
3、图的存储和读取:GraphFrames与DataFrame的数据源完全兼容,支持以Parquet、JSON以及CSV等格式完成图的存储或读取。
在GraphFrames中图的顶点(Vertex)和边(edge)都是以DataFrame形式存储的,所以一个图的所有信息都能够完整保存。
社交网络实例
比如说我们现在有一个社交关系图,每一名用户也就是顶点由他们之间的关系所连接,比如下面的这个例子:
针对这种社交关系图我们可能会有“谁最有影响力”或“应不应该介绍甲乙之间认识”等问题,这类问题可以用图查询算法来解决。这里每一名用户有姓名和年龄两种属性,用户之间的关系也有不同的类型。
简单查询
使用GraphFrames来进行查询非常容易。由于顶点和边都是以DataFrame存储,很多简单一些的查询语句直接就是DataFrame/SQL语句。
问:图中年龄超过35的用户总数是多少?
g.vertices.filter(“age>35”)
问:有两名以上关注者的用户总数是多少?
g.inDegrees.filter(“inDegree>=2”)
复杂查询
GraphFrames兼容GraphX中所有的算法因此对于复杂查询也能够很好地支持。比如我们想找出图中最重要的用户就可以用pageRank函数:
results = g.pageRank(resetProbability=0.15, maxIter=10)
display(results.vertices)
GraphFrames还加入了广度优先搜索BFS和模式发现Motif finding两种新算法。
再举一个例子,比如我们想给用户推荐关注 的人就可以寻找图中满足下面这个条件的ABC三个用户:A关注B,B关注C但A并未关注C。代码如下:
# Motif: A->B->C but not A->C
results = g.find("(A)-[]->(B); (B)-[]->(C); !(A)-[]->(C)")
# Filter out loops (with DataFrame operation)
results = results.filter("A.id != C.id")
# Select recommendations for A to follow C
results = results.select("A", "C")
display(results)
其他GraphFrames支持的算法还有:排序、最短路径、连通分量、强连通分量、三角计数和标签传播LPA。
GraphFrames与GraphX的集成
GraphFrames可以实现与GraphX的完美集成。两者之间相互转换时不会丢失任何数据。
val gx: Graph[Row, Row] = g.toGraphX()
val g2: GraphFrame = GraphFrame.fromGraphX(gx)
了解更多GraphFrames和GraphX之间的转换请参阅GraphFrames API文档。