About
最近在优化kcore算法时,对Graphx代码看了几遍。1.2后Graphx性能有所提升,代码不太容易理解,现在用图表示出来会更直观。
对数学上的图有点印象的是x轴、y轴坐标图,坐标中每个点用横坐标x和纵坐标y表示,即: (x1, y1), (x2, y2), 一个坐标点可以确定一个点的唯一位置
Graphx与上面的概念类似。不同的是, Graphx中的点概念更泛化,不一定用x y坐标表示,有唯一标示的对象即可,如:ID
1. 构建Graph
graphx的Graph对象是用户操作图的入口, 它包含了边(edge)和顶点(vertices)两部分. 边由点组成,所以, 所有的边中包含的点的就是点的全集。但是这个全集包含重复的点, 去重复后就是VertexRDD
点和边都包含一个attr属性,可以携带额外信息
1.1 构建一个图的方法
- 根据边构建图(Graph.fromEdges)
def fromEdges[VD: ClassTag, ED: ClassTag]( edges: RDD[Edge[ED]], defaultValue: VD, edgeStorageLevel: StorageLevel = StorageLevel.MEMORY_ONLY, vertexStorageLevel: StorageLevel = StorageLevel.MEMORY_ONLY): Graph[VD, ED]
- 根据边的两个点元数据构建(Graph.fromEdgeTuples)
def fromEdgeTuples[VD: ClassTag]( rawEdges: RDD[(VertexId, VertexId)], defaultValue: VD, uniqueEdges: Option[PartitionStrategy] = None, edgeStorageLevel: StorageLevel = StorageLevel.MEMORY_ONLY, vertexStorageLevel: StorageLevel = StorageLevel.MEMORY_ONLY): Graph[VD, Int] =
1.2 第一步:构建边EdgeRDD
1.2.1 加载边的文本信息
从持久化系统(HDFS)中加载边的文本信息,按行处理生成tuple, 即(srcId, dstId)
api:
val rawEdgesRdd: RDD[(Long, Long)] = sc.textFile(input, partitionNum).filter(s => s != "0,0").repartition(partitionNum).map {
case line =>
val ss = line.split(",")
val src = ss(0).toLong
val dst = ss(1).toLong
if (src < dst)
(src, dst)
else
(dst, src)
}.distinct()
数据形如:
107,109
108,109
110,111
110,112
111,112
113,114
115,116
117,79
117,118
79,118
1.2.2 第二步:初步生成Graph
- 入口:Graph.fromEdgeTuples(rawEdgesRdd)
元数据为,分割的两个点ID,把元数据映射成Edge(srcId, dstId, attr)对象, attr默认为null。这样元数据就构建成了RDD[Edge[ED]] - RDD[Edge[ED]]要进一步转化成EdgeRDDImpl[ED, VD]
首先遍历RDD[Edge[ED]]的分区partitions,对分区内的边重排序new Sorter(Edge.edgeArraySortDataFormat[ED]).sort(edgeArray, 0, edgeArray.length, Edge.lexicographicOrdering)即:按照srcId从小到大排序。问:为何要重排序?
答:为了遍历时顺序访问。采用数组而不是Map,数组是连续的内存单元,具有原子性,避免了Map的hash问题,访问速度快 - 填充localSrcIds,localDstIds, data, index, global2local, local2global, vertexAttrs
数组localSrcIds,localDstIds中保存的是经过global2local.changeValue(srcId/dstId)转变的本地索引,即:localSrcIds、localDstIds数组下标对应于分区元素,数组中保存的索引位可以定位到local2global中查到具体的VertexId
global2local是spark私有的Map数据结构GraphXPrimitiveKeyOpenHashMap, 保存vertextId和本地索引的映射关系。global2local中包含当前partition所有srcId、dstId与本地索引的映射关系。
data就是当前分区的attr属性数组
index索引最有意思,按照srcId重排序的边数据, 会看到相同的srcId对应了不同的dstId, 见图中index desc部分。index中记录的是相同srcId中第一个出现的srcId与其下标。
local2global记录的是所有的VertexId信息的数组。形如:srcId,dstId,srcId,dstId,srcId,dstId,srcId,dstId。其中会包含相同的ID。即:当前分区所有vertextId的顺序实际值
# 用途: # 根据本地下标取VertexId localSrcIds/localDstIds -> index -> local2global -> VertexId # 根据VertexId取本地下标,取属性 VertexId -> global2local -> index -> data -> attr object
spark的数据最终是在patition中表达,所以各种transform都在这里进行,这里的数据结构性能至关重要
1.3 第二步:构建顶点(VertexRDD)
入口:GraphImpl365行。val vertices = VertexRDD.fromEdges(edgesCached, edgesCached.partitions.size, defaultVertexAttr).withTargetStorageLevel(vertexStorageLevel)
根据边EdgeRDD[ED, VD]构建出点VertexRDD, 点是孤岛,不像边一样保存点与点之间的关系。点只保存属性attr。所以需要对拿到的点做分区。
为了能通过点找到边,每个点需要保存点所在到边信息即分区Id(pid),这些新保存在路由表RoutingTablePartition中。
构建的过程:
- 创建路由表
根据EdgeRDD,map其分区,对edge partition中的数据转换成RoutingTableMessage数据结构。
特别激动的是: 为节省内存,把edgePartitionId和一个标志位通过一个32位的int表示。
如图所示,RoutingTableMessage是自定义的类型类, 一个包含vid和int的tuple(VertexId, Int)。 int的32~31位表示一个标志位,01: isSrcId 10: isDstId。30~0位表示边分区ID。赞这种做法,目测作者是山西人。
RoutingTableMessage想表达这样的信息:一个顶点ID,不管未来你到天涯海角,请带着你女朋友Edge的地址: edge分区ID。并且带着一个标志你在女友心中的位置是:01是左边isSrcId,10是右边isDstId。这样就算你流浪到非洲,也能找到小女友约会…blabla…
- 根据路由表生成分区对象vertexPartitions
- 上(1)中生成的消息路由表信息,重新分区,分区数目根edge分区数保持一致。
- 在新分区中,map分区中的每条数据,从RoutingTableMessage解出数据:vid, edge pid, isSrcId/isDstId。这个三个数据项重新封装到三个数据结构中:pid2vid,srcFlags,dstFlags
- 有意思的地方来了,想一下,shuffle以后新分区中的点来自于之前edge不同分区,那么一个点要找到边,就需要先确定边的分区号pid, 然后在确定的edge分区中确定是srcId还是dstId, 这样就找到了边。
val pid2vid = Array.fill(numEdgePartitions)(new PrimitiveVector[VertexId]) val srcFlags = Array.fill(numEdgePartitions)(new PrimitiveVector[Boolean]) val dstFlags = Array.fill(numEdgePartitions)(new PrimitiveVector[Boolean])
上面表达的是:当前vertex分区中点在edge分区中的分布。新分区中保存这样的记录(vids.trim().array, toBitSet(srcFlags(pid)), toBitSet(dstFlags(pid))) vid, srcFlag, dstFlag, flag通过BitSet存储,很省。
如此就生成了vertex的路由表routingTables
- 生成ShippableVertexPartition
根据上面routingTables, 重新封装路由表里的数据结构为:ShippableVertexPartition
ShippableVertexPartition会合并相同重复点的属性attr对象,补全缺失的attr对象。
关键是:根据vertexId生成map:GraphXPrimitiveKeyOpenHashMap,这个map跟边中的global2local是不是很相似?这个map根据long vertxId生成下标索引,目测:相同的点会有相同的下标。// todo..
- 创建VertexRDDImpl对象
new VertexRDDImpl(vertexPartitions),这就完事了
1.4 第三步 生成Graph对象[finished]
把上述edgeRDD和vertexRDD拿过来组成Graph
new GraphImpl(vertices, new ReplicatedVertexView(edges.asInstanceOf[EdgeRDDImpl[ED, VD]]))
2. 常用函数分析
下面分析一下常用的graph函数aggregateMessages
2.1 aggregateMessages
aggregateMessages是Graphx最重要的API,1.2版本添加的新函数,用于替换mapReduceTriplets。目前mapReduceTriplets最终也是使用兼容的aggregateMessages
据说改用aggregateMessages后,性能提升30%。
它主要功能是向邻边发消息,合并邻边收到的消息,返回messageRDD
aggregateMessages的接口如下:
def aggregateMessages[A: ClassTag](
sendMsg: EdgeContext[VD, ED, A] => Unit,
mergeMsg: (A, A) => A,
tripletFields: TripletFields = TripletFields.All)
: VertexRDD[A] = {
aggregateMessagesWithActiveSet(sendMsg, mergeMsg, tripletFields, None)
}
- sendMsg: 发消息函数
private def sendMsg(ctx: EdgeContext[KCoreVertex, Int, Map[Int, Int]]): Unit = { ctx.sendToDst(Map(ctx.srcAttr.preKCore -> -1, ctx.srcAttr.curKCore -> 1)) ctx.sendToSrc(Map(ctx.dstAttr.preKCore -> -1, ctx.dstAttr.curKCore -> 1)) }
- mergeMsg:合并消息函数。用于Map阶段,每个edge分区中每个点收到的消息合并,以及reduce阶段,合并不同分区的消息。合并vertexId相同的消息
- tripletFields:定义发消息的方向
2.1.1 aggregateMessages Map阶段
从入口函数进入aggregateMessagesWithActiveSet,首先使用VertexRDD[VD]更新replicatedVertexView, 只更新其中vertexRDD中attr对象。
问:为啥更新replicatedVertexView? 答:replicatedVertexView就是个点和边的视图,点的属性有变化,要更新边中包含的点的attr
replicatedVertexView这里对edgeRDD做mapPartitions操作,所有的操作都在每个边分区的迭代中完成。
- 进入aggregateMessagesEdgeScan
前文中提到edge partition中包含的五个重要数据结构之一:localSrcIds, 顶点vertixId在当前分区中的索引.
- 遍历localSrcIds, 根据其下标去localSrcIds中拿到srcId在全局local2global中的索引位,然后拿到srcId; 同理,根据下标,去localDstIds中取到local2global中的索引位, 取出dstId
有了srcId和dstId,你就可以blabla….
问: 为啥用localSrcIds的下标
答: 用localDstIds的也可以。一条边必然包含两个点:srcId, dstId- 发消息
看上图:
- 根据接口中定义的tripletFields,拿到发消息的方向: 1) 向dstId发;2) 向srcId发;3) 向两边发;4) 向其中一边发
- 发消息的过程就是遍历到一条边,向以srcId/dstId在本分区内的本地IDlocalId为下标的数组中添加数据,如果localId为下标数组中已经存在数据,则执行合并函数mergeMsg
- 每个点之间在发消息的时候是独立的,即:点单纯根据方向,向以相邻点的localId为下标的数组中插数据,互相独立,在并行上互不影响。
完事,返回消息RDDmessages: RDD[(VertexId, VD2)]
2.1.2 aggregateMessages Reduce阶段
因为对边上,对点发消息,所以在reduce阶段主要是VertexRDD的菜。
入口(Graphmpl 260行): vertices.aggregateUsingIndex(preAgg, mergeMsg)
收到messages: RDD[(VertexId, VD2)]消息RDD,开始:
- 对messages做shuffled分区,分区器使用VertexRDD的partitioner。
因为VertexRDD的partitioner根据点VertexID做分区,所以vertexId->消息分区后的pid根VertextRDD完全相同,这样用zipPartitions高效的合并两个分区的数据
- 根据对等合并attr, 聚合函数使用API传入的mergeMsg函数
- 小技巧:遍历节点时,遍历messagePartition。并不是每个节点都会收到消息,所以messagePartition集合最小,所以速度会快。遍历小集合取大集合的数据。
- 前文提到根据routingTables路由表生成VertexRDD的vertexPartitions时, vertexPartitions中重新封装了ShippableVertexPartition对象,其定义为:
ShippableVertexPartition[VD: ClassTag]( val index: VertexIdToIndexMap, val values: Array[VD], val mask: BitSet, val routingTable: RoutingTablePartition)
最后生成对象:new ShippableVertexPartition(map.keySet, map._values, map.keySet.getBitSet, routingTable)
所以这里用到的index就是map.keySet, map就是映射vertexId->attr
index: map.keySet, hashSet, vertexId->下标
values: map._valuers, Array[Int], 根据下标保存attr。
so so,根据vetexId从index中取到其下标,再根据下标,从values中取到attr,存在attr就用API传入的函数mergeMsg合并属性attr; 不存在就直接赋值。
最后得到的是收到消息的VertexRDD
到这里,整个map/reduce过程就完成了。
翠花,上全图
如果没有绕晕,从头再读一遍