关于apache火花的脱节设置

Question

我试图找到使用apache spark在大量数据上搜索不相交集（连接组件/ union-find）的算法。 问题是数据量。 甚至图顶点的Raw表示也不适合单机上的ram。 边缘也不适合公羊。

源数据是hdfs上图形边缘的文本文件：“id1 \\ t id2”。

id作为字符串值存在，而不是int。

我发现天真的解决方案是：

1. 取rdd of edges - > [id1:id2] [id3:id4] [id1:id3]
2. 按键分组边缘。 - > [id1:[id2;id3]][id3:[id4]]
3. 为每个记录设置每组最小ID - > (flatMap) [id1:id1][id2:id1][id3:id1][id3:id3][id4:id3]
4. 从第3阶段反转rdd [id2:id1] -> [id1:id2]
5. leftOuterJoin of rdds from stage 3 and 4
6. 从第2阶段开始重复，而第3步的rdd大小不会改变

但这导致节点之间传输大量数据（改组）

有什么建议吗？

Answer 1

如果您正在使用图表，我建议您查看其中一个库

• GraphX
• GraphFrames

它们都提供开箱即用的连接组件算法。

GraphX ：

val graph: Graph = ...
val cc = graph.connectedComponents().vertices

GraphFrames ：

val graph: GraphFrame = ...
val cc = graph.connectedComponents.run()
cc.select("id", "component").orderBy("component").show()