GraphFrames：一个基于DataFrame的图处理库

分享到

作者:Joseph Bradley 来源：CSDN 发布于 2016-4-12

近日，Databricks和UC Berkeley及MIT一起为Apache Spark设计了一个图处理库——GraphFrames。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。
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：

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。
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。
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。

示例
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：

图片描述

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。

图片描述

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)

图片描述

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)

欲了解更多GraphFrames和GraphX之间的转换请参阅GraphFrames API文档。

分享到