导入Kafka数据

本文简单说明如何使用Exchange将存储在Kafka上的数据导入Nebula Graph。

环境配置

本文示例在MacOS下完成,以下是相关的环境配置信息:

  • 硬件规格:

    • CPU:1.7 GHz Quad-Core Intel Core i7
    • 内存:16 GB
  • Spark:2.4.7,单机版

  • Nebula Graph:2.6.0。使用Docker Compose部署

前提条件

开始导入数据之前,用户需要确认以下信息:

  • 已经安装部署Nebula Graph并获取如下信息:

    • Graph服务和Meta服务的的IP地址和端口。

    • 拥有Nebula Graph写权限的用户名和密码。

  • 已经编译Exchange。详情请参见编译Exchange。本示例中使用Exchange 2.6.0。

  • 已经安装Spark。

  • 了解Nebula Graph中创建Schema的信息,包括Tag和Edge type的名称、属性等。

  • 已经安装并开启Kafka服务。

操作步骤

步骤 1:在Nebula Graph中创建Schema

分析数据,按以下步骤在Nebula Graph中创建Schema:

  1. 确认Schema要素。Nebula Graph中的Schema要素如下表所示。

    要素名称属性
    Tagplayername string, age int
    Tagteamname string
    Edge Typefollowdegree int
    Edge Typeservestart_year int, end_year int
  2. 在Nebula Graph中创建一个图空间basketballplayer,并创建一个Schema,如下所示。

    1. ## 创建图空间
    2. nebula> CREATE SPACE basketballplayer \
    3. (partition_num = 10, \
    4. replica_factor = 1, \
    5. vid_type = FIXED_STRING(30));
    6. ## 选择图空间basketballplayer
    7. nebula> USE basketballplayer;
    8. ## 创建Tag player
    9. nebula> CREATE TAG player(name string, age int);
    10. ## 创建Tag team
    11. nebula> CREATE TAG team(name string);
    12. ## 创建Edge type follow
    13. nebula> CREATE EDGE follow(degree int);
    14. ## 创建Edge type serve
    15. nebula> CREATE EDGE serve(start_year int, end_year int);

更多信息,请参见快速开始

步骤 2:修改配置文件

Note

如果部分数据存储在Kafka的value域内,需要自行修改源码,从Kafka中获取value域,将value通过from_json函数解析,然后作为Dataframe返回。

编译Exchange后,复制target/classes/application.conf文件设置Kafka数据源相关的配置。在本示例中,复制的文件名为kafka_application.conf。各个配置项的详细说明请参见配置说明

  1. {
  2. # Spark相关配置
  3. spark: {
  4. app: {
  5. name: Nebula Exchange 2.6.0
  6. }
  7. driver: {
  8. cores: 1
  9. maxResultSize: 1G
  10. }
  11. cores {
  12. max: 16
  13. }
  14. }
  15. # Nebula Graph相关配置
  16. nebula: {
  17. address:{
  18. # 以下为Nebula Graph的Graph服务和Meta服务所在机器的IP地址及端口。
  19. # 如果有多个地址,格式为 "ip1:port","ip2:port","ip3:port"。
  20. # 不同地址之间以英文逗号 (,) 隔开。
  21. graph:["127.0.0.1:9669"]
  22. meta:["127.0.0.1:9559"]
  23. }
  24. # 填写的账号必须拥有Nebula Graph相应图空间的写数据权限。
  25. user: root
  26. pswd: nebula
  27. # 填写Nebula Graph中需要写入数据的图空间名称。
  28. space: basketballplayer
  29. connection {
  30. timeout: 3000
  31. retry: 3
  32. }
  33. execution {
  34. retry: 3
  35. }
  36. error: {
  37. max: 32
  38. output: /tmp/errors
  39. }
  40. rate: {
  41. limit: 1024
  42. timeout: 1000
  43. }
  44. }
  45. # 处理点
  46. tags: [
  47. # 设置Tag player相关信息。
  48. {
  49. # Nebula Graph中对应的Tag名称。
  50. name: player
  51. type: {
  52. # 指定数据源文件格式,设置为Kafka。
  53. source: kafka
  54. # 指定如何将点数据导入Nebula Graph:Client或SST。
  55. sink: client
  56. }
  57. # Kafka服务器地址。
  58. service: "127.0.0.1:9092"
  59. # 消息类别。
  60. topic: "topic_name1"
  61. # Kafka数据有固定的域名称:key、value、topic、partition、offset、timestamp、timestampType。
  62. # Spark读取为DataFrame后,如果需要指定多个字段,用英文逗号(,)隔开。
  63. # 在fields里指定字段名称,例如用key对应Nebula中的name, value对应Nebula中的age,示例如下:
  64. fields: [key,value]
  65. nebula.fields: [name,age]
  66. # 指定表中某一列数据为Nebula Graph中点VID的来源。
  67. # 这里的值key和上面的key重复,表示key既作为VID,也作为属性name。
  68. vertex:{
  69. field:key
  70. }
  71. # 单批次写入 Nebula Graph 的数据条数。
  72. batch: 10
  73. # Spark 分区数量
  74. partition: 10
  75. # 读取消息的间隔。单位:秒。
  76. interval.seconds: 10
  77. }
  78. # 设置Tag team相关信息。
  79. {
  80. name: team
  81. type: {
  82. source: kafka
  83. sink: client
  84. }
  85. service: "127.0.0.1:9092"
  86. topic: "topic_name2"
  87. fields: [key]
  88. nebula.fields: [name]
  89. vertex:{
  90. field:key
  91. }
  92. batch: 10
  93. partition: 10
  94. interval.seconds: 10
  95. }
  96. ]
  97. # 处理边数据
  98. edges: [
  99. # 设置Edge type follow相关信息
  100. {
  101. # Nebula Graph中对应的Edge type名称。
  102. name: follow
  103. type: {
  104. # 指定数据源文件格式,设置为Kafka。
  105. source: kafka
  106. # 指定边数据导入Nebula Graph的方式,
  107. # 指定如何将点数据导入Nebula Graph:Client或SST。
  108. sink: client
  109. }
  110. # Kafka服务器地址。
  111. service: "127.0.0.1:9092"
  112. # 消息类别。
  113. topic: "topic_name3"
  114. # Kafka数据有固定的域名称:key、value、topic、partition、offset、timestamp、timestampType。
  115. # Spark读取为DataFrame后,如果需要指定多个字段,用英文逗号(,)隔开。
  116. # 在fields里指定字段名称,例如用key对应Nebula中的degree,示例如下:
  117. fields: [key]
  118. nebula.fields: [degree]
  119. # 在source里,将topic中某一列作为边的起始点数据源。
  120. # 在target里,将topic中某一列作为边的目的点数据源。
  121. source:{
  122. field:timestamp
  123. }
  124. target:{
  125. field:offset
  126. }
  127. # 单批次写入 Nebula Graph 的数据条数。
  128. batch: 10
  129. # Spark 分区数量
  130. partition: 10
  131. # 读取消息的间隔。单位:秒。
  132. interval.seconds: 10
  133. }
  134. # 设置Edge type serve相关信息
  135. {
  136. name: serve
  137. type: {
  138. source: kafka
  139. sink: client
  140. }
  141. service: "127.0.0.1:9092"
  142. topic: "topic_name4"
  143. fields: [timestamp,offset]
  144. nebula.fields: [start_year,end_year]
  145. source:{
  146. field:key
  147. }
  148. target:{
  149. field:value
  150. }
  151. batch: 10
  152. partition: 10
  153. interval.seconds: 10
  154. }
  155. ]
  156. }

步骤 3:向Nebula Graph导入数据

运行如下命令将Kafka数据导入到Nebula Graph中。关于参数的说明,请参见导入命令参数

  1. ${SPARK_HOME}/bin/spark-submit --master "local" --class com.vesoft.nebula.exchange.Exchange <nebula-exchange-2.6.0.jar_path> -c <kafka_application.conf_path>

Note

JAR包有两种获取方式:自行编译或者从maven仓库下载。

示例:

  1. ${SPARK_HOME}/bin/spark-submit --master "local" --class com.vesoft.nebula.exchange.Exchange /root/nebula-exchange/nebula-exchange/target/nebula-exchange-2.6.0.jar -c /root/nebula-exchange/nebula-exchange/target/classes/kafka_application.conf

用户可以在返回信息中搜索batchSuccess.<tag_name/edge_name>,确认成功的数量。例如batchSuccess.follow: 300

步骤 4:(可选)验证数据

用户可以在Nebula Graph客户端(例如Nebula Graph Studio)中执行查询语句,确认数据是否已导入。例如:

  1. GO FROM "player100" OVER follow;

用户也可以使用命令SHOW STATS查看统计数据。

步骤 5:(如有)在Nebula Graph中重建索引

导入数据后,用户可以在Nebula Graph中重新创建并重建索引。详情请参见索引介绍


最后更新: October 18, 2021