使用用Pyspark和GraphX实现解析复杂网络数据
从零开始
在本文中,我们将详细介绍如何在Python / pyspark环境中使用graphx进行图计算。GraphX是Spark提供的图计算API,它提供了一套强大的工具,用于处理和分析大规模的图数据。通过结合Python / pyspark和graphx,您可以轻松地进行图分析和处理。
为了方便那些刚入门的新手,包括我自己在内,我们将从零开始逐步讲解。
安装Spark和pyspark
如果你只是想单独运行一下pyspark的演示示例,那么只需要拥有Python环境就可以了。你可以前往官方网站的快速开始页面查看详细的指南:spark.apache.org/docs/latest/api/python/getting_started/quickstart_df.html
安装pyspark包
pip install pyspark
由于官方省略的步骤还是相当多的,我简单写了一下我的成功演示示例。
from pyspark.sql import SparkSession,Row from datetime import datetime, date import pandas as pd import os os.environ['PYSPARK_PYTHON'] = "%你的Python包路径%//python.exe" spark = SparkSession.builder.getOrCreate() df = spark.createDataFrame([ Row(a=1, b=2., c='string1', d=date(2000, 1, 1), e=datetime(2000, 1, 1, 12, 0)), Row(a=2, b=3., c='string2', d=date(2000, 2, 1), e=datetime(2000, 1, 2, 12, 0)), Row(a=4, b=5., c='string3', d=date(2000, 3, 1), e=datetime(2000, 1, 3, 12, 0)) ]) df.show()
然而,考虑到我们今天需要使用GraphX进行分析,因此我们仍然需要安装Spark。
安装Spark
请访问Spark官方网站(spark.apache.org/downloads.html )以获取适用于您操作系统的最新版本,并进行下载。如果您觉得下载速度较慢,您还可以选择使用国内阿里镜像进行下载。为了方便起见,我已经帮您找到了相应的镜像地址。
国内阿里镜像:mirrors.aliyun.com/apache/spark/spark-3.5.0/
请下载带有hadoop的版本:spark-3.5.0-bin-hadoop3.tgz
。解压缩Spark压缩包即可
配置环境变量
在安装Spark之前,请务必记住需要Java环境。请确保提前配置好JAVA_HOME环境变量,这样才能正常运行Spark。
在windows上安装Java和Apache Spark后,设置SPARK_HOME、HADOOP_HOME和PATH环境变量。如果你知道如何在windows上设置环境变量,请添加以下内容:
SPARK_HOME = C:\apps\opt\spark-3.5.0-bin-hadoop3 HADOOP_HOME = C:\apps\opt\spark-3.5.0-bin-hadoop3
在Windows上使用winutils.exe的Spark
在Windows上运行Apache Spark时,确保你已经下载了适用于Spark版本的winutils.exe。winutils.exe是一个用于在Windows环境下模拟类似POSIX的文件访问操作的工具,它使得Spark能够在Windows上使用Windows特有的服务和运行shell命令。
你可以从以下链接下载适用于你所使用的Spark版本的winutils.exe:github.com/kontext-tech/winutils/tree/master/hadoop-3.3.0/bin
请确保将下载的winutils.exe文件放置在Spark安装目录的bin文件夹下,以便Spark能够正确地使用它来执行Windows特有的操作。
Apache Spark shell
spark-shell是Apache Spark发行版附带的命令行界面(CLI)工具,它可以通过直接双击或使用命令行窗口在Windows操作系统上运行。此外,Spark还提供了一个Web UI界面,用于在Windows上进行可视化监控和管理。
请尝试运行Apache Spark shell。当你成功运行后,你应该会看到一些内容输出(请忽略最后可能出现的警告信息)。
在启动Spark-shell时,它会自动创建一个Spark上下文的Web UI。您可以通过从浏览器中打开URL,访问Spark Web UI来监控您的工作。
GraphFrames
在前面的步骤中,我们已经完成了所有基础设施(环境变量)的配置。现在,我们需要进行一些配置来使Python脚本能够运行graphx。
要使用Python / pyspark运行graphx,你需要进行一些配置。接下来的示例将展示如何配置Python脚本来运行graphx。
GraphFrames的安装
如需获得更多关于GraphFrames的信息和快速入门指南,请访问官方网站:graphframes.github.io/graphframes/docs/_site/quick-start.html
你也可以使用以下命令来安装GraphFrames。
pip install graphframes
在继续操作之前,请务必将graphframes对应的jar包安装到spark的jars目录中,以避免在使用graphframes时出现以下错误: java.lang.ClassNotFoundException: org.graphframes.GraphFramePythonAPI
将下载好的jar包放入你的%SPARK_HOME%\jars即可。
接下来,我们可以开始正常地使用graphx图计算框架了。现在,让我们简单地浏览一下一个示例demo。
from pyspark.sql.types import * from pyspark.sql import SparkSession from pyspark import SparkContext, SparkConf import pandas as pd from graphframes import GraphFrame spark_conf = SparkConf().setAppName('Python_Spark_WordCount').setMaster('local[2]') sc = SparkContext(conf=spark_conf) spark=SparkSession.builder.appName("graph").getOrCreate() v = spark.createDataFrame([ ("a", "Alice", 34), ("b", "Bob", 36), ("c", "Charlie", 30), ], ["id", "name", "age"]) # Create an Edge DataFrame with "src" and "dst" columns e = spark.createDataFrame([ ("a", "b", "friend"), ("b", "c", "follow"), ("c", "b", "follow"), ], ["src", "dst", "relationship"]) # Create a GraphFrame g = GraphFrame(v, e) # Query: Get in-degree of each vertex. g.inDegrees.show() # Query: Count the number of "follow" connections in the graph. g.edges.filter("relationship = 'follow'").count() # Run PageRank algorithm, and show results. results = g.pageRank(resetProbability=0.01, maxIter=20) results.vertices.select("id", "pagerank").show()
如果运行还是报错:org.apache.spark.SparkException: Python worker failed to connect back
import os os.environ['PYSPARK_PYTHON'] = "%你自己的Python路径%//Python//python.exe"
最后大功告成:
网络流量分析
接下来,我们将探讨一下是否能够对网络流量进行分析。对于初学者来说,很难获得一些有组织的日志文件或数据集,所以我们可以自己制造一些虚拟数据,以便进行演示。
首先,让我来详细介绍一下GraphFrame(v, e)的参数:
参数v:Class,这是一个保存顶点信息的DataFrame。DataFrame必须包含名为"id"的列,该列存储唯一的顶点ID。
参数e:Class,这是一个保存边缘信息的DataFrame。DataFrame必须包含两列,"src"和"dst",分别用于存储边的源顶点ID和目标顶点ID。
edges=sc.textFile(r'/Users/xiaoyu/edges') edges=edges.map(lambda x:x.split('\t')) edges_df=spark.createDataFrame(edges,['src','dst']) nodes=sc.textFile(r'/Users/xiaoyu/nodes') nodes=nodes.map(lambda x:[x]) nodes_df=spark.createDataFrame(nodes,['id']) graph=GraphFrame(nodes_df, edges_df)
为了创建图数据结构并进行分析,可以简化流程,直接读取相关文件并进行处理。
# 计算每个节点的入度和出度 in_degrees = graph.inDegrees out_degrees = graph.outDegrees # 打印节点的入度和出度 in_degrees.show() out_degrees.show()
查找具有最大入度和出度的节点:
# 找到具有最大入度的节点 max_in_degree = in_degrees.agg(F.max("inDegree")).head()[0] node_with_max_in_degree = in_degrees.filter(in_degrees.inDegree == max_in_degree).select("id") # 找到具有最大出度的节点 max_out_degree = out_degrees.agg(F.max("outDegree")).head()[0] node_with_max_out_degree = out_degrees.filter(out_degrees.outDegree == max_out_degree).select("id") # 打印结果 node_with_max_in_degree.show() node_with_max_out_degree.show()
总结
本文介绍了如何在Python / pyspark环境中使用graphx进行图计算。通过结合Python / pyspark和graphx,可以轻松进行图分析和处理。首先需要安装Spark和pyspark包,然后配置环境变量。接着介绍了GraphFrames的安装和使用,包括创建图数据结构、计算节点的入度和出度,以及查找具有最大入度和出度的节点。
以上就是使用用Pyspark和GraphX实现解析复杂网络数据的详细内容,更多关于Pyspark GraphX解析网络数据的资料请关注脚本之家其它相关文章!
相关文章
PyQt5高级界面控件之QTableWidget的具体使用方法
这篇文章主要介绍了PyQt5高级界面控件之QTableWidget的具体使用方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧2020-02-02python中关于requests里的timeout()用法
这篇文章主要介绍了python中关于requests里的timeout()用法,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2023-08-08利用django model save方法对未更改的字段依然进行了保存
这篇文章主要介绍了利用django model save方法对未更改的字段依然进行了保存,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧2020-03-03
最新评论