近年来,随着硬件技术的迅速发展和网络数据量的爆发式增长,复杂网络的规模也在迅速扩大。由此,在过去的十多年中许多高效的处理和分析大规模图数据的方案被提出。在大规模数据的处理中,不可避免的会出现分布式处理。在图数据的分布式并行计算中,数据的划分作为分布式计算的前提,其划分结果的优劣直接影响着分布式图计算的时间性能和集群设备的任务吞吐量。图划分问题是一个NP难题,当下随着网络规模的与日俱增,部分传统的图划分算法由于频繁的全局操作,如谱分析,递归式矩阵运算等等,其过大的时空开销使其难以胜任大图的划分,面对这些大规模的图它们不再轻量,最终的划分质量也不佳。高效的大图划分算法会综合考虑分区容量的均衡性和网络同步开销,目前现有的一些针对大图的分布式划分算法多基于Hash,但忽略了图的内在结构,导致过大的割边复制率或者割点复制率,从而使得计算的过程中,网络同步的开销过高。因此,如何在有效地时间内划分图数据,并且保证较低的边界数据复制率,对于分布式图处理而言有重要的研究意义。基于上述问题,本文面向大部分具有幂律性的图数据,在按边划分的模式下,提出了一种离线场景中按边的优先级处理的启发式划分法（Edges Priority-Based Heuristic Partition,简称EPH）,EPH参考了幂律图中的度分布,遵循尽可能对度大的顶点进行切割的原则。在初始,按照顶点度和局部中心度的综合排名对全图的边进行搜集,构建一个优先级从高到低的处理序列,然后依次输入分区器,以启发式决策出当前最优的分区。随着分区过程的不断进行,各分区容量的标准差逐渐稳定,序列中靠后的边往往是度较高的顶点领边或者局部中心度较大的顶点邻边,在分配时更容易较均匀的切分到各个分区。实际测评中,在数据上笔者选择了多组真实世界的网络图和模拟图,在方法对比上选择了当前几个常见的大图分区器。笔者将EPH划分结果应用于Graph X图处理引擎,测试结果表明,在相同数据相同分区不同划分方法下,EPH的割点复制率有较大的减小,在常规的分布式图算法执行效率上有较大的提升,EPH的分区容量的平衡性和稳定性也更好。另外在此基础上,笔者将EPH扩展为可并行的多阶段启发式划分方法（Par-EPH）,旨在提升EPH的划分速度,是一种以牺牲划分质量换取划分速度的方法。Par-EPH将EPH拆分为串行初始阶段和并行迭代阶段,在串行阶段仍然按照EPH的模式进行各个分区的初始化,当达到一个稳定状态时即可开始并行迭代。在每个超步中,每个处理单元本地仍按照EPH模式划分,超步结束时同步全局划分信息,其中总的超步次数可以人为设置,当设置较大的迭代次数时,能获得更频繁的全局划分同步,从而使得划分质量更接近EPH法,当超步次数过大时,会退化为EPH法。通过实验测试,Par-EPH的划分质量略低于EPH,是一种较好的轻量级并行划分法,且具有较高的实用性。