随着互联网的普及,用户群体规模与日俱增,由此产生大量的数据,进入大数据时代。互联网领域产生的数据大都使用图来建模表示,由于图数据规模巨大,传统的集中式方法已不能在合理时间内完成数据处理,人们逐渐使用分布式计算平台来并行处理大图数据。计算机领域将关于图的处理称为图计算,图摘要作为图计算的一个重要方面,是大数据分析和处理的重要手段。图摘要是将大规模的图归纳为更加简洁的表示形式的技术,能够降低图的规模和复杂性。图摘要具有广泛的应用,如社会网络分析、图可视化等,对其它分析和处理大规模图的技术起到了辅助或促进作用,有着重要的研究意义和应用价值。现有的图摘要方法主要是集中式的,而且忽略了在图中的节点属性和边上的关系,这在处理真实世界中的大规模属性图时存在着准确性和性能缺陷。本文对现有图摘要方法的不足之处进行改进,提出了一种基于节点聚合的面向属性图的并行图摘要算法,充分考虑图摘要过程中的节点属性和关系。该算法包含一种适用于属性图的节点合并误差增量的计算方法,并使用启发式方法动态确定每次迭代超步中的节点合并误差阈值,只有满足合并误差阈值的节点对才会被合并,使得图摘要误差尽可能小,保证了生成摘要图的质量。本文基于Spark分布式计算平台实现了提出的并行图摘要算法,使用多种真实图数据集和合成图数据集进行仿真实验,并选择多个评估指标对算法的有效性和可扩展性进行实验验证。除此之外,本文基于生成的摘要图执行图查询,对比验证图摘要对于图查询的加速作用。实验结果表明,本文提出的并行图摘要算法能够高效地生成高质量的摘要图,并且具有良好的可扩展性,对图查询具有显著地加速效果。