导入ORC文件数据
本文以一个示例说明如何使用Exchange将存储在HDFS或本地的ORC文件数据导入Nebula Graph。
如果要向Nebula Graph导入本地ORC文件,请参见Nebula Importer。
数据集
本文以basketballplayer数据集为例。
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
Hadoop:2.9.2 伪分布式部署
Nebula Graph:2.6.1。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。
如果文件存储在HDFS上,需要确认Hadoop服务运行正常。
如果文件存储在本地且Nebula Graph是集群架构,需要在集群每台机器本地相同目录下放置文件。
操作步骤
步骤 1:在Nebula Graph中创建Schema
分析ORC文件中的数据,按以下步骤在Nebula Graph中创建Schema:
确认Schema要素。Nebula Graph中的Schema要素如下表所示。
要素 名称 属性 Tag player
name string, age int
Tag team
name string
Edge Type follow
degree int
Edge Type serve
start_year int, end_year int
使用Nebula Console创建一个图空间basketballplayer,并创建一个Schema,如下所示。
## 创建图空间
nebula> CREATE SPACE basketballplayer \
(partition_num = 10, \
replica_factor = 1, \
vid_type = FIXED_STRING(30));
## 选择图空间basketballplayer
nebula> USE basketballplayer;
## 创建Tag player
nebula> CREATE TAG player(name string, age int);
## 创建Tag team
nebula> CREATE TAG team(name string);
## 创建Edge type follow
nebula> CREATE EDGE follow(degree int);
## 创建Edge type serve
nebula> CREATE EDGE serve(start_year int, end_year int);
更多信息,请参见快速开始。
步骤 2:处理ORC文件
确认以下信息:
处理ORC文件以满足Schema的要求。
获取ORC文件存储路径。
步骤 3:修改配置文件
编译Exchange后,复制target/classes/application.conf
文件设置ORC数据源相关的配置。在本示例中,复制的文件名为orc_application.conf
。各个配置项的详细说明请参见配置说明。
{
# Spark相关配置
spark: {
app: {
name: Nebula Exchange 2.6.0
}
driver: {
cores: 1
maxResultSize: 1G
}
executor: {
memory:1G
}
cores {
max: 16
}
}
# Nebula Graph相关配置
nebula: {
address:{
# 指定Graph服务和所有Meta服务的IP地址和端口。
# 如果有多台服务器,地址之间用英文逗号(,)分隔。
# 格式: "ip1:port","ip2:port","ip3:port"
graph:["127.0.0.1:9669"]
meta:["127.0.0.1:9559"]
}
# 指定拥有Nebula Graph写权限的用户名和密码。
user: root
pswd: nebula
# 指定图空间名称。
space: basketballplayer
connection {
timeout: 3000
retry: 3
}
execution {
retry: 3
}
error: {
max: 32
output: /tmp/errors
}
rate: {
limit: 1024
timeout: 1000
}
}
# 处理点
tags: [
# 设置Tag player相关信息。
{
# 指定Nebula Graph中定义的Tag名称。
name: player
type: {
# 指定数据源,使用ORC。
source: orc
# 指定如何将点数据导入Nebula Graph:Client或SST。
sink: client
}
# 指定ORC文件的路径。
# 如果文件存储在HDFS上,用双引号括起路径,以hdfs://开头,例如"hdfs://ip:port/xx/xx"。
# 如果文件存储在本地,用双引号括起路径,以file://开头,例如"file:///tmp/xx.orc"。
path: "hdfs://192.168.*.*:9000/data/vertex_player.orc"
# 在fields里指定ORC文件中key名称,其对应的value会作为Nebula Graph中指定属性的数据源。
# 如果需要指定多个值,用英文逗号(,)隔开。
fields: [age,name]
# 指定Nebula Graph中定义的属性名称。
# fields与nebula.fields的顺序必须一一对应。
nebula.fields: [age, name]
# 指定一个列作为VID的源。
# vertex的值必须与ORC文件中的字段保持一致。
# 目前,Nebula Graph 2.6.1仅支持字符串或整数类型的VID。
vertex: {
field:id
}
# 指定单批次写入Nebula Graph的最大点数量。
batch: 256
# 指定Spark分片数量。
partition: 32
}
# 设置Tag team相关信息。
{
# 指定Nebula Graph中定义的Tag名称。
name: team
type: {
# 指定数据源,使用ORC。
source: orc
# 指定如何将点数据导入Nebula Graph:Client或SST。
sink: client
}
# 指定ORC文件的路径。
# 如果文件存储在HDFS上,用双引号括起路径,以hdfs://开头,例如"hdfs://ip:port/xx/xx"。
# 如果文件存储在本地,用双引号括起路径,以file://开头,例如"file:///tmp/xx.orc"。
path: "hdfs://192.168.*.*:9000/data/vertex_team.orc"
# 在fields里指定ORC文件中key名称,其对应的value会作为Nebula Graph中指定属性的数据源。
# 如果需要指定多个值,用英文逗号(,)隔开。
fields: [name]
# 指定Nebula Graph中定义的属性名称。
# fields与nebula.fields的顺序必须一一对应。
nebula.fields: [name]
# 指定一个列作为VID的源。
# vertex的值必须与ORC文件中的字段保持一致。
# 目前,Nebula Graph 2.6.1仅支持字符串或整数类型的VID。
vertex: {
field:id
}
# 指定单批次写入Nebula Graph的最大点数量。
batch: 256
# 指定Spark分片数量。
partition: 32
}
# 如果需要添加更多点,请参考前面的配置进行添加。
]
# 处理边
edges: [
# 设置Edge type follow相关信息。
{
# 指定Nebula Graph中定义的Edge type名称。
name: follow
type: {
# 指定数据源,使用ORC。
source: orc
# 指定如何将点数据导入Nebula Graph:Client或SST。
sink: client
}
# 指定ORC文件的路径。
# 如果文件存储在HDFS上,用双引号括起路径,以hdfs://开头,例如"hdfs://ip:port/xx/xx"。
# 如果文件存储在本地,用双引号括起路径,以file://开头,例如"file:///tmp/xx.orc"。
path: "hdfs://192.168.*.*:9000/data/edge_follow.orc"
# 在fields里指定ORC文件中key名称,其对应的value会作为Nebula Graph中指定属性的数据源。
# 如果需要指定多个值,用英文逗号(,)隔开。
fields: [degree]
# 指定Nebula Graph中定义的属性名称。
# fields与nebula.fields的顺序必须一一对应。
nebula.fields: [degree]
# 指定一个列作为起始点和目的点的源。
# vertex的值必须与ORC文件中的字段保持一致。
# 目前,Nebula Graph 2.6.1仅支持字符串或整数类型的VID。
source: {
field: src
}
target: {
field: dst
}
# 指定一个列作为rank的源(可选)。
#ranking: rank
# 指定单批次写入Nebula Graph的最大边数量。
batch: 256
# 指定Spark分片数量。
partition: 32
}
# 设置Edge type serve相关信息。
{
# 指定Nebula Graph中定义的Edge type名称。
name: serve
type: {
# 指定数据源,使用ORC。
source: orc
# 指定如何将点数据导入Nebula Graph:Client或SST。
sink: client
}
# 指定ORC文件的路径。
# 如果文件存储在HDFS上,用双引号括起路径,以hdfs://开头,例如"hdfs://ip:port/xx/xx"。
# 如果文件存储在本地,用双引号括起路径,以file://开头,例如"file:///tmp/xx.orc"。
path: "hdfs://192.168.*.*:9000/data/edge_serve.orc"
# 在fields里指定ORC文件中key名称,其对应的value会作为Nebula Graph中指定属性的数据源。
# 如果需要指定多个值,用英文逗号(,)隔开。
fields: [start_year,end_year]
# 指定Nebula Graph中定义的属性名称。
# fields与nebula.fields的顺序必须一一对应。
nebula.fields: [start_year, end_year]
# 指定一个列作为起始点和目的点的源。
# vertex的值必须与ORC文件中的字段保持一致。
# 目前,Nebula Graph 2.6.1仅支持字符串或整数类型的VID。
source: {
field: src
}
target: {
field: dst
}
# 指定一个列作为rank的源(可选)。
#ranking: _c5
# 指定单批次写入Nebula Graph的最大边数量。
batch: 256
# 指定Spark分片数量。
partition: 32
}
]
# 如果需要添加更多边,请参考前面的配置进行添加。
}
步骤 4:向Nebula Graph导入数据
运行如下命令将ORC文件数据导入到Nebula Graph中。关于参数的说明,请参见导入命令参数。
${SPARK_HOME}/bin/spark-submit --master "local" --class com.vesoft.nebula.exchange.Exchange <nebula-exchange-2.6.0.jar_path> -c <orc_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:
${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/orc_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 5:(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:
GO FROM "player100" OVER follow;
用户也可以使用命令SHOW STATS查看统计数据。
步骤 6:(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 22, 2021