如何使用 Long 数据类型在 Apache Spark GraphX 中创建 VertexId？

Question

我正在尝试使用一些 Google Web Graph 数据创建一个图表，这些数据可以在这里找到：

https://snap.stanford.edu/data/web-Google.html

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



val textFile = sc.textFile("hdfs://n018-data.hursley.ibm.com/user/romeo/web-Google.txt")
val arrayForm = textFile.filter(_.charAt(0)!='#').map(_.split("\s+")).cache()
val nodes = arrayForm.flatMap(array => array).distinct().map(_.toLong)
val edges = arrayForm.map(line => Edge(line(0).toLong,line(1).toLong))

val graph = Graph(nodes,edges)

不幸的是，我得到这个错误：

<console>:27: error: type mismatch;
 found   : org.apache.spark.rdd.RDD[Long]
 required: org.apache.spark.rdd.RDD[(org.apache.spark.graphx.VertexId, ?)]
Error occurred in an application involving default arguments.
       val graph = Graph(nodes,edges)

那么如何创建 VertexId 对象呢？据我了解，传递一个 Long 就足够了。

有什么想法吗？

非常感谢！

罗密欧

Answer 1

错误消息说 nodes 必须是 RDD[(Long, anything else)] 的类型。元组中的第一个元素是 vertexId，第二个元素可以是任何东西，例如带有节点描述的字符串。尝试简单地重复 vertexId:

val nodes = arrayForm
             .flatMap(array => array)
             .distinct()
             .map(x =>(x.toLong, x.toLong))

Answer 2

不完全是。如果您查看 Graph 对象的 apply 方法的签名，您会看到类似这样的内容（完整签名请参见 API docs）：

apply[VD, ED](
    vertices: RDD[(VertexId, VD)], edges: RDD[Edge[ED]], defaultVertexAttr: VD)

如您在描述中所见：

Construct a graph from a collection of vertices and edges with attributes.

因此，您不能简单地将 RDD[Long] 作为 vertices 参数传递（RDD[Edge[Nothing]] 作为 edges 也不起作用）。

import scala.{Option, None}

val nodes: RDD[(VertexId, Option[String])] = arrayForm.
    flatMap(array => array).
    map((_.toLong, None))

val edges: RDD[Edge[String]] = arrayForm.
    map(line => Edge(line(0).toLong, line(1).toLong, ""))

注意：

Duplicate vertices are picked arbitrarily

所以 nodes 上的 .distinct() 在这种情况下已过时。

如果你想创建一个没有属性的 Graph 你可以使用 Graph.fromEdgeTuples.

如何使用 Long 数据类型在 Apache Spark GraphX 中创建 VertexId？

How to create a VertexId in Apache Spark GraphX using a Long data type?

scala

apache-spark

spark-graphx