网络可视化是网络分析的一种重要技术手段。通过可视化技术将网络清晰地展现出来有助于人们理解网络的内部组成结构和顶点之间的联系,为深入挖掘网络背后的规律提供服务。进入大数据时代以后,网络的规模变得更加庞大,其结构也愈来愈复杂。对这类大型网络如果直接进行可视化,研究人员很难从可视化效果中获取有价值的信息,因此,先将网络的规模进行缩减处理然后再对其可视化是非常有必要的。本文首先对大规模网络的层次划分方法进行了比较详细地研究,通过对比现有的层次划分策略,选用了 Louvain社团发现算法作为产生层次化网络结构的基础算法。然而原始的Louvain算法并不适合处理大规模的网络数据并且对并行计算的支持有限,这主要是由于算法本身的贪心迭代过程以及对分布式框架的不友好所导致。本文通过添加单度顶点预处理、独立集划分、最小标签移动等策略解决Louvain算法由串行到并行改进过程中的困难,提出了基于Spark分布式计算框架的Louvain算法。相较于原始算法,本文提出的分布式Louvain算法能够处理大规模的网络,并快速发现其中的社团,然后由不同迭代过程产生的社团构成了网络的层次结构。将网络划分为层次化的社团结构以后,网络中社团的数量要远小于顶点的数量,因此将社团视为顶点进行可视化能够较好地处理大规模网络,并且使用网络层次结构模型能够清晰地对网络进行展示。本文在原有基于力导引的图布局算法—FR算法基础上,对排斥力和吸引力的作用域进行优化,使得FR算法更加适合展示具有层次结构的网络。在实现以上两个算法后,本文构建了基于Spark的网络可视化系统,实现了大规模网络的可视化,支持对网络进行分层展示,供相关研究人员进行网络的研究与分析。