spark组件之graphx函数方法（二）

在网络计算中，graphx提供了基本的函数和算法来计算社交网络关系中的三角关系数量，下面简单记录下一组常用的命令作为学习巩固：

1.启动spark-shell交互式环境：

import org.apache.spark.graphx._
import org.apache.spark.graphx.util._

2.利用graphx提供的类函数随机产生数据集
注：导入数据集方式（A：RDD方式，B:GraphLoader.edgeListFile(sc,hdfs-path），C:随机图生成器GraphGenerators）

val graph = GraphGenerators.logNormalGraph(sc, 100,2500)

其中，第二个参数代表顶点个数，第三个参数近似表示边个数。产生的随机图顶点及边属性均默认为整型1。

3.利用triangleCount计算社交网络三角关系数量。
注，由于triangleCount算法对图有前提要求，首先必须(srcId < dstId)，其次存储方式 使用Graph.partitionBy。

val graph = GraphGenerators.logNormalGraph(sc, 100,2500).partitionBy(PartitionStrategy.RandomVertexCut)

过滤边产生子图：

val graphs = graph.subgraph（epred = e=>e.srcId < e.dstId）

然后使用算法：

val triCounts = graphs.triangleCount()；

产生的triCounts类型为：org.apache.spark.graphx.Graph[Int,Int]

1. 为了查看邻近点，这里不仅可以使用aggregateMessages函数，还可以使用collectNeighborIds和collectNeighbors更方便（某些情况效果不佳）

val neigh=graphs.collectNeighborIds(EdgeDirection.Either)

其中EdgeDirection提供三种邻近点方向，Either，In和Out，生产的为VertexRDD类型，然后采用filter查看某点的邻近点：

neigh.filter(e=>e._1==17).collect