Spark GraphX：添加多个边权重

Question

我是 GraphX 的新手，我有一个包含四列的 Spark 数据框，如下所示：

src_ip    dst_ip    flow_count   sum_bytes
8.8.8.8   1.2.3.4          435        1137
  ...       ...           ...         ...

基本上我想将 src_ip 和 dst_ip 都映射到顶点并将 flow_count 和 sum_bytes 指定为边属性。据我所知，我们不能在 GraphX 中添加边属性，因为只允许添加顶点属性。因此，我正在考虑添加 flow_count 作为边缘权重：

//create edges
val trafficEdges = trafficsFromTo.map(x =Edge(MurmurHash3.stringHash(x(0).toString,MurmurHash3.stringHash(x(1).toString,x(2))

但是，我也可以添加 sum_bytes 作为边权重吗？

Answer 1

可以将两个变量都添加到边缘。最简单的解决方案是使用元组，例如：

val data = Array(Edge(3L, 7L, (123, 456)), Edge(5L, 3L, (41, 34)))
val edges: RDD[Edge[(Int, Int)]] = spark.sparkContext.parallelize(data)

或者，您可以使用大小写 class:

case class EdgeWeight(flow_count: Int, sum_bytes: Int)

val data2 = Array(Edge(3L, 7L, EdgeWeight(123, 456)), Edge(5L, 3L, EdgeWeight(41, 34)))
val edges: RDD[Edge[EdgeWeight]] = spark.sparkContext.parallelize(data2)

使用caseclass如果需要添加的属性比较多的话使用和维护会更方便

我相信在这个具体案例中，最优雅的解决方法是：

val trafficEdges = trafficsFromTo.map{x => 
  Edge(MurmurHash3.stringHash(x(0).toString, 
       MurmurHash3.stringHash(x(1).toString,
       EdgeWeight(x(2), x(3))
}

trafficEdges.sortBy(edge => edge.attr.flow_count) // sort by flow_count

Spark GraphX：添加多个边权重

Spark GraphX: add multiple edge weights

scala

apache-spark

apache-spark-sql

spark-graphx