这篇文章主要讲解了“PageRank怎么使用”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“PageRank怎么使用”吧！
PageRank是执行多次连接的一个迭代算法，因此它是RDD分区操作的很好demo，算法维护两个数据集
(pageID,listList) 包含每个页面的相邻页面列表。 (pageID,rank) 包含每个页面的当前排序值， pageRank计算过程大致如下： 将每个页面的排序值初始化为1.0 在每次迭代中，对页面p，向其每个相邻页面(有直接连接的页面)发松一个值为 rank(p)/numNeighbors(p)的贡献值。 将每个页面的排序值设定为 0.15 + 0.85 *contributionsReceived 其中2 跟3 会重复循环几次，在此过程中算法会逐渐收敛于每个页面的实际PageRank值，实际操作中一般迭代10次。
package com.sowhat.spark
import org.apache.spark.rdd.RDD
import org.apache.spark.{HashPartitioner, SparkConf, SparkContext}
/**
* links = （pageID,LinkList）
* ranks = (pageID,rank)
**/
object MyPageRank {
def main(args: Array[String]): Unit = {
val conf: SparkConf = new SparkConf().setMaster("local[*]").setAppName("pagerank")
//创建SparkContext，该对象是提交spark App的入口
val sc = new SparkContext(conf)
val links: RDD[(String, Seq[String])] = sc.objectFile[(String, Seq[String])]("filepwd").partitionBy(new HashPartitioner(100)).persist()
var ranks: RDD[(String, Double)] = links.mapValues(x => 1.0)
for (i <- 0 until 10) {
val totalRDD: RDD[(String, (Seq[String], Double))] = links.join(ranks)
val contributions: RDD[(String, Double)] = totalRDD.flatMap(
{
case (pageID, (links, rank)) => links.map(dest => (dest, rank / links.size))
}
)
ranks = contributions.reduceByKey(_ + _).mapValues(v => 0.15 + 0.85 * v)
}
ranks.saveAsTextFile("ranks")
}
}
算法从ranksRDD的每个元素的值初始化为1.0开始，然后每次迭代都都不断的更新ranks值，其中主要优化部分如下。
linksRDD每次迭代都会跟ranks发生连接操作，因此将大数据集links进行partitionBy 会节约相当多的网络通信优化开销。 跟上面的原因一样，用persist 可以将数据保存早内存中，以供每次迭代使用。 我们在第一次创建ranks时， 我们用mapValues而不是map() 来保留父RDD links的分区方式，这样对第一次连接操作开销减少很多。 循环体中 reduceByKey后使用mapValues 因为reduceByKey已经是哈希分区了，下一次迭代时候效率更快。
建议：为最大化分区相关优化潜在作用，在无需更改元素键的时候尽量使用 mapValues 或 flatMapValues。
本文使用 mdnice 排版
感谢各位的阅读，以上就是“PageRank怎么使用”的内容了，经过本文的学习后，相信大家对PageRank怎么使用这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是编程之家，小编将为大家推送更多相关知识点的文章，欢迎关注！
