[收藏]基于Spark Graphframes的社交关系图谱项目实战_scala中 graphframe图数据可以直接保存到hdfs吗

大家好，我是老兵。

本文是基于Spark Graphframes的社交关系图谱实战演练。

我将结合自身开发和项目经验，分别讲述社交关系图谱原理、图计算原理、Spark Graphframes图计算编程、关联推荐实战等内容，帮助大家快速了解Spark Graphframes图计算的使用。

有兴趣交流沟通的朋友，欢迎添加我个人微信: youlong525。

1 什么是社交关系图谱

社交关系图谱的粗浅理解，即表达社交网络中的人与群体的关系。

我是谁？ 我周围人是谁？我们有什么关系？

1）业务通俗理解

比如张三是个资深网络爱好者，也是个圈内达人。我们先来看看他的圈子：家庭圈、同事圈、朋友圈、区域圈、兴趣圈等。。

这些圈子中的角色对象。有的和张三关系紧密，如亲朋好友；有的毫不相识，即潜在对象；有的相隔万里却因相同的一个兴趣结识。。。

总体而言，这就是张三的社交关系图谱（简略版）。

个体属性 + 群体关系 => 关系图谱

2）数据层面理解

在理解社交关系图谱的业务含义后，我们去看看数据层面的含义。

群体关系和个体属性，从数据角度可抽象成包含多维度的数据标签。

类似: 张三（name/age/sex）、朋友（friend/non-friend..）、同事（superior、colleague...）、区域（nearby、non-nearby）等。

最终提炼成丰富的标签化的用户社交数据。

大多数公司的社交关系图谱建设，一般会基于企业内人与人的关系数据梳理，通过对数据的类型、可信强度，不同来源的分析，构建统一的丰富的社交数据体系，形成关系知识图谱。

2 社交关系图谱与图计算

2.1 图计算模型

上面我们将关系图谱经过数字化和标签化处理，抽象成带有标签的个体属性和关系数据。

再来看看此时的张三，包含属性特征和一组组的关系特征。

• 属性特征: zhangsan<name、age、sex>

• 关系特征：zhangsan ->（friends）-> userA

既然有了数据概念模型，程序中如何去实现呢？仔细看下，属性特征和关系特征数据在结构上符合图结构。

图由一个顶点集合和一条边(或者弧)集合组成，且每一条边都依附于顶点集合的两个顶点。
——来自百度百科

因此关系图谱数据在程序中可被抽象成"点——线"拓扑集合。基于此类数据结构的计算被称作图计算。

2.2 图计算组件

关系图谱数据转换为图数据结构后，一般会使用图计算组件进行开发。

如下列举了生产中常见的图计算引擎特性，供大家参考。

1）Neo4J

• 有很好的可视化界面，支持交互式查询

• 小批量操作时查询效率高，对用户比较友好，适用于OLTP查询

• 不支持数据分片，存储数据有限，数据的导入与更新操作耗时

2）Spark GraphX

• spark的优点既是SparkGraphX的优点，支持海量数据

• 重点在图计算，而非图存储和查询领域，适合OLAP领域

• 为Scala提供接口，运算基于RDD

• 支持常见的图算法

3）Spark GraphFrame

• 运算基于Spark GraphFrame

• 为Python、Java和Scala提供了统一的接口，能够使用GraphX的全部算法

• 加入新的图算法(motif finding/BFS)

• 图的存储和读取；GraphFrames与DataFrame的数据源完全兼容，支持以Parquet、Json以及Csv等格式完成图的存储与读取。

4）GraphFrames vs GraphX

由于环境和项目技术选型所限，本文选择Spark Graphframes。大家也可以选择Spark Graphx，且GraphFrames和GraphX可相互转化。

// GraphFrames转换为GraphX
val g: Graph[Row, Row] = gf.toGraphX()
// GraphX转换为GraphFrames
val gf: GraphFrame = GraphFrame.fromGraphX(g)

这里我也列出了Spark GraphX和Spark Graphframes的区别。

3 Spark GraphFrames图计算实战

编程环境: Jupter
编程语言: Python
技术组件: Spark Graphframes
实现难度: 中等（可替换为Spark GraphX）

3.1 Spark graphframes基本语法

GraphX中常用算法在GraphFrame的调用方法:

1） 创建图对象（示例）

// 定义顶点
vertices = spark.createDataFrame(
      [("a", "Alice", 34), ("b", "Bob", 36)], \
      ["id", "name", "age"])
 
// 定义边
edges = spark.createDataFrame(
  [("a", "b", "friend")] , ["src", "dst", "relationship"])
  
// 创建图对象  
graph = GraphFrame(vertices,edges) 

2）获取边、角、出入度（示例）

// 计算顶点/边
graph.vertices.show()
graph.edges.show()
 
// 计算顶点度、出入度
graph.degrees.show()
graph.inDegrees.show()
graph.outDegrees.show()

3）依据点、边、出入度的子图筛选

 graph.vertices().filter("age > 30").show()
 graph.edges.filter("type == friends").show()
 graph.inDegrees.filter("inDegree >= 2").show()

4）模式发现（示例）

// 获取a->b的关系
motifs = graph.find("(a)-[e]->(b)")
motifs.show()

5）基本算法（示例）

// PageRank算法
graph.pageRank().maxIter() \
    .resetProbability().run() \
    .vertices().show()
    
// 广度优先算法
paths = graph.bfs("name='Alice'", "age > 34")
paths.show()
 
// 最短路径
graph.shortestPaths(landmarks=lm).show()
 
// 标签传播算法
graph.labelPropagation().show()

3.2 Spark Graphframes 实战—基于社交关系推荐好友

回到本文的核心，我们将关系图谱数据处理成图结构，且选择Spark Graphframes作为技术组件，下面开始实战演练。

场景分析： 社交网络中，平台会推荐你关注人的喜爱物品，同时也会推荐关注人好友列表给你。

类似于物以类聚、人以群分的道理，有相同爱好、相同圈子的人可能是你感兴趣的人。

这里举个例子：假如userA是zhangsan的朋友，userB是userA的朋友且不是zhangsan的朋友；userB和zhangsan有相同兴趣，则将userB推荐给zhangsan。

逻辑分析： A->B and B -> C and A >< C，即A与B双向关系、B与C双向关系，但是A->C没有关系，输出（A，C）

1）配置环境

• 环境中安装graphframes-xx.jar包，并指向安装位置

• 代码中引入graphframes依赖

from pyspark.sql import SparkSession
from pyspark import SparkContext
from graphframes import *
from pyspark.sql.functions import *
 
// 定义SparkContext
conf = SparkConf().set("", "")
 
// 添加graphframes-xx.jar依赖包
spark = SparkSession \
        .builder \
        .config(conf=conf) \
        .config("spark.jar", "./graphframes-0.9.1-spark2.7-s_2.11.jar") \
        .getOrCreate()
        
sc = spark.sparkContext

2）定义图对象

• friends表示朋友关系；follow表示跟随关系<可看作有相同爱好>

• Alice和Charies是朋友关系；Esther和Charies没关系

• Esther是Alice的跟随者，最终推荐Charies给Esther

// Vertics
v = spark.createDataFrame([
 ("a", "Alice", 34),
 ("b", "Bob", 36),
 ("c", "Charlie", 37),
 ("d", "David", 29),
 ("e", "Esther", 32),
 ("f", "Fanny", 38),
 ("g", "Gabby", 60)
], ["id", "name", "age"])
 
// Edges
e = spark.createDataFrame([
 ("a", "b", "follow"),
 ("a", "c", "friend"),
 ("a", "g", "friend"),
 ("b", "c", "friend"),
 ("c", "a", "friend"),
 ("c", "b", "friend"),
 ("c", "d", "follow"),
 ("c", "g", "friend"),
 ("d", "a", "follow"),
 ("d", "g", "friend"),
 ("e", "a", "follow"),
 ("e", "d", "follow"),
 ("f", "b", "follow"),
 ("f", "c", "follow"),
 ("f", "d", "follow"),
 ("g", "a", "friend"),
 ("g", "c", "friend"),
 ("g", "d", "friend")
], ["src", "dst", "relationship"])
 
// Create a GraphFrame
g = GraphFrame(v, e)

3）计算推荐好友

• 方法1：使用模式匹配

• 方法2：使用模式匹配后，取差集

// 计算关联好友
relationG = g.find("(a)-[ab]->(b)")  \
    .dropDuplicates() \
    .selectExpr("a.name as user", "b.name as recommended_user")
 
// 计算推荐好友
// recommend = g.find("(a)-[ab]->(b);(b)-[bc]->(c); !(a)-[ac]->(c);") 
recommend = g.find("(a)-[ab]->(b);(b)-[bc]->(c)") \
    .filter("a.id != c.id") \
    .filter("ab.relationship = 'follow' \
             and bc.relationship = 'friend'") \
    .dropDuplicates() \
    .selectExpr("a.name as user", "c.name as recommended_user") \
    .subtract(relationG)

4）结果输出

• 结果输出（user, recomanduser列表）

• 后续可继续分析

result = recommend.rdd.map(
      lambda x: (x["user"], x["recommended_user"]
)).sortBy(lambda x: x[0]).collect()
 
print(result)

5）补充：获取社交好友圈数量

获取社交图谱关系链中 "[relationship=='friends']>=2" 的数量

chain = g.find("(a)-[ab]->(b);(b)-[bc]->(c);(c)-[cd]->(d)") 
 
// 定义更新状态条件，关系为friends则+1
sumChain = lambda cnt, relation: when(
    relationship == 'friends', cnt + 1) \
  .otherwise(cnt)
  
// 应用到chain，计算好友数量
condition = reduce(lambda cnt, sumChain(
     cnt, col(e).relationship), \
     ["ab", "bc", "cd"], \
     lit(0))
 
// 计算好友圈数
chainWithFriends = chain.where(condition >= 2)
chainWithFriends.show()

4 写在最后

社交关系图谱由家庭、同事、区域、兴趣等组成社交标签体系，可以为企业基于社交维度的用户分析挖掘提供数据基础。

同时基于多维度数据的特性，支持家庭关系、兴趣偏好等相关业务场景，可助力企业从客户维度、产品维度等提供拓客的数据支持。

基于Spark Graphframes图计算技术，可快速实现企业级社交关系图谱项目的实施落地。本文内容仅供参考，关于项目的技术细节和问题后续再继续补充。