导入 HIVE 数据

本文以一个示例说明如何使用 Exchange 将存储在 HIVE 的数据导入 Nebula Graph。

数据集

本文以美国 Stanford Network Analysis Platform (SNAP) 提供的 Social Network: MOOC User Action Dataset 以及由公开网络上获取的不重复的 97 个课程名称作为示例数据集,包括:

  • 两类点(usercourse),共计 7,144 个点。
  • 一种关系(action),共计 411,749 条边。

详细的数据集,您可以从 nebula-web-docker 仓库中下载。

在本示例中,该数据集已经存入 HIVE 中名为 mooc 的数据库中,以 userscoursesactions 三个表存储了所有点和边的信息。以下为各个表的结构。

  1. scala> sql("describe mooc.users").show
  2. +--------+---------+-------+
  3. |col_name|data_type|comment|
  4. +--------+---------+-------+
  5. | userid| bigint| null|
  6. +--------+---------+-------+
  7. scala> sql("describe mooc.courses").show
  8. +----------+---------+-------+
  9. | col_name|data_type|comment|
  10. +----------+---------+-------+
  11. | courseid| bigint| null|
  12. |coursename| string| null|
  13. +----------+---------+-------+
  14. scala> sql("describe mooc.actions").show
  15. +--------+---------+-------+
  16. |col_name|data_type|comment|
  17. +--------+---------+-------+
  18. |actionid| bigint| null|
  19. | srcid| bigint| null|
  20. | dstid| string| null|
  21. |duration| double| null|
  22. |feature0| double| null|
  23. |feature1| double| null|
  24. |feature2| double| null|
  25. |feature3| double| null|
  26. | label| boolean| null|
  27. +--------+---------+-------+

说明:Hive 的 bigint 与 Nebula Graph 的 int 对应。

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

  • HIVE:2.3.7,Hive Metastore 数据库为 MySQL 8.0.22

  • Nebula Graph:V1.2.0,使用 Docker Compose 部署。详细信息,参考 使用 Docker Compose 部署 Nebula Graph

前提条件

开始导入数据之前,您需要确认以下信息:

  • 已经完成 Exchange 编译。详细信息,参考 编译 Exchange。本示例中使用 Exchange v1.2.1。

  • 已经安装 Spark。

  • 已经安装并开启 Hadoop 服务,并已启动 Hive Metastore 数据库(本示例中为 MySQL)。

  • 已经部署并启动 Nebula Graph,并获取:

    • Graph 服务、Meta 服务所在机器的 IP 地址和端口信息。
    • Nebula Graph 数据库的拥有写权限的用户名及其密码。
  • 在 Nebula Graph 中创建图数据模式(Schema)所需的所有信息,包括标签和边类型的名称、属性等。

操作步骤

步骤 1. 在 Nebula Graph 中创建 Schema

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
    标签(Tag)useruserId int
    标签(Tag)coursecourseId int, courseName string
    边类型(Edge Type)actionactionId int, duration double, label bool, feature0 double, feature1 double, feature2 double, feature3 double
  2. 在 Nebula Graph 里创建一个图空间 hive,并创建一个 Schema,如下所示。

    1. -- 创建图空间
    2. CREATE SPACE hive(partition_num=10, replica_factor=1);
    3. -- 选择图空间 hive
    4. USE hive;
    5. -- 创建标签 user
    6. CREATE TAG user(userId int);
    7. -- 创建标签 course
    8. CREATE TAG course(courseId int, courseName string);
    9. -- 创建边类型 action
    10. CREATE EDGE action (actionId int, duration double, label bool, feature0 double, feature1 double, feature2 double, feature3 double);

关于 Nebula Graph 构图的更多信息,参考《Nebula Graph Database 手册》的 快速开始

步骤 2. 使用 Spark SQL 确认 HIVE SQL 语句

启动 spark-shell 环境后,依次运行以下语句,确认 Spark 能读取 HIVE 中的数据。

  1. scala> sql("select userid from mooc.users").show
  2. scala> sql("select courseid, coursename from mooc.courses").show
  3. scala> sql("select actionid, srcid, dstid, duration, feature0, feature1, feature2, feature3, label from mooc.actions").show

以下为 mooc.actions 表中读出的结果。

  1. +--------+-----+--------------------+--------+------------+------------+-----------+-----------+-----+
  2. |actionid|srcid| dstid|duration| feature0| feature1| feature2| feature3|label|
  3. +--------+-----+--------------------+--------+------------+------------+-----------+-----------+-----+
  4. | 0| 0|Environmental Dis...| 0.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  5. | 1| 0| History of Ecology| 6.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  6. | 2| 0| Women in Islam| 41.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  7. | 3| 0| History of Ecology| 49.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  8. | 4| 0| Women in Islam| 51.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  9. | 5| 0|Legacies of the A...| 55.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  10. | 6| 0| ITP Core 2| 59.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  11. | 7| 0|The Research Pape...| 62.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  12. | 8| 0| Neurobiology| 65.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  13. | 9| 0| Wikipedia| 113.0|-0.319991479|-0.435701433|1.108826104|12.77723482|false|
  14. | 10| 0|Media History and...| 226.0|-0.319991479|-0.435701433|0.607804941|149.4512115|false|
  15. | 11| 0| WIKISOO| 974.0|-0.319991479|-0.435701433|1.108826104|3.344522776|false|
  16. | 12| 0|Environmental Dis...| 1000.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  17. | 13| 0| WIKISOO| 1172.0|-0.319991479|-0.435701433|1.108826104|1.136866766|false|
  18. | 14| 0| Women in Islam| 1182.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  19. | 15| 0| History of Ecology| 1185.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  20. | 16| 0|Human Development...| 1687.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  21. | 17| 1|Human Development...| 7262.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  22. | 18| 1| History of Ecology| 7266.0|-0.319991479|-0.435701433|0.106783779|-0.06730924|false|
  23. | 19| 1| Women in Islam| 7273.0|-0.319991479|-0.435701433|0.607804941|0.936170765|false|
  24. +--------+-----+--------------------+--------+------------+------------+-----------+-----------+-----+
  25. only showing top 20 rows

步骤 3. 修改配置文件

完成 Exchange 编译后,进入 nebula-java/tools/exchange 目录,根据 target/classes/application.conf 文件修改 HIVE 数据源相关的配置文件。在本示例中,文件被重命名为 hive_application.conf。以下仅详细说明点和边数据的配置信息,本次示例中未使用的配置项已被注释,但是提供了配置说明。Spark 和 Nebula Graph 相关配置,参考 Spark 参数Nebula Graph 参数

  1. {
  2. # Spark 相关配置
  3. spark: {
  4. app: {
  5. name: Spark Writer
  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:["127.0.0.1:3699"]
  22. meta:["127.0.0.1:45500"]
  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: user
  26. pswd: password
  27. # 填写 Nebula Graph 中需要写入数据的图空间名称
  28. space: hive
  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. # 处理标签
  46. tags: [
  47. # 设置标签相关信息
  48. {
  49. # Nebula Graph 中对应的标签名称。
  50. name: user
  51. type: {
  52. # 指定数据源文件格式,设置为 hive。
  53. source: hive
  54. # 指定点数据导入 Nebula Graph 的方式,
  55. # 可以设置为:client(以客户端形式导入)和 sst(以 SST 文件格式导入)。
  56. # 关于 SST 文件导入配置,参考文档:导入 SST 文件(https://
  57. # docs.nebula-graph.com.cn/nebula-exchange/
  58. # use-exchange/ex-ug-import-sst/)。
  59. sink: client
  60. }
  61. # 设置读取数据库 mooc 中 users 表数据的 SQL 语句
  62. exec: "select userid from mooc.users"
  63. # 在 fields 里指定 users 表中的列名称,其对应的 value
  64. # 会作为 Nebula Graph 中指定属性 userId (nebula.fields) 的数据源
  65. # fields 和 nebula.fields 里的配置必须一一对应
  66. # 如果需要指定多个列名称,用英文逗号(,)隔开
  67. fields: [userid]
  68. nebula.fields: [userId]
  69. # 指定表中某一列数据为 Nebula Graph 中点 VID 的来源。
  70. # vertex.field 的值必须与上述 fields 中的列名保持一致。
  71. # 如果数据不是 int 类型,则添加 vertex.policy 指定 VID 映射策略,建议设置为 "hash",参考以下 course 标签的设置。
  72. vertex: userid
  73. # 单次写入 Nebula Graph 的最大点数据量。
  74. batch: 256
  75. # Spark 分区数量
  76. partition: 32
  77. # isImplicit 的设置说明参考:https://github.com/vesoft-inc/nebula-java/
  78. # blob/v1.0/tools/exchange/src/main/resources/application.conf
  79. isImplicit: true
  80. }
  81. {
  82. name: course
  83. type: {
  84. source: hive
  85. sink: client
  86. }
  87. exec: "select courseid, coursename from mooc.courses"
  88. fields: [courseid, coursename]
  89. nebula.fields: [courseId, courseName]
  90. # 指定表中某一列数据为 Nebula Graph 中点 VID 的来源。
  91. # vertex.field 的值必须与上述 fields 中的列名保持一致。
  92. # 如果数据不是 int 类型,则添加 vertex.policy 指定 VID 映射策略,建议设置为 "hash"。
  93. vertex: {
  94. field: coursename
  95. policy: "hash"
  96. }
  97. batch: 256
  98. partition: 32
  99. isImplicit: true
  100. }
  101. ]
  102. # 处理边数据
  103. edges: [
  104. # 设置边类型 action 相关信息
  105. {
  106. # Nebula Graph 中对应的边类型名称。
  107. name: action
  108. type: {
  109. # 指定数据源文件格式,设置为 hive。
  110. source: hive
  111. # 指定边数据导入 Nebula Graph 的方式,
  112. # 可以设置为:client(以客户端形式导入)和 sst(以 SST 文件格式导入)。
  113. # 关于 SST 文件导入配置,参考文档:导入 SST 文件(https://
  114. # docs.nebula-graph.com.cn/nebula-exchange/
  115. # use-exchange/ex-ug-import-sst/)。
  116. sink: client
  117. }
  118. # 设置读取数据库 mooc 中 actions 表数据的 SQL 语句
  119. exec: "select actionid, srcid, dstid, duration, feature0, feature1, feature2, feature3, label from mooc.actions"
  120. # 在 fields 里指定 actions 表中的列名称,其对应的 value
  121. # 会作为 Nebula Graph 中 action 的属性(nebula.fields)值来源
  122. # fields 和 nebula.fields 里的配置必须一一对应
  123. # 如果需要指定多个列名称,用英文逗号(,)隔开
  124. fields: [actionid, duration, feature0, feature1, feature2, feature3, label]
  125. nebula.fields: [actionId, duration, feature0, feature1, feature2, feature3, label]
  126. # 在 source 里,将 actions 表中某一列作为边起点数据源
  127. # 在 target 里,将 actions 表中某一列作为边终点数据源
  128. # 如果数据源是 int 或 long 类型,直接指定列名
  129. # 如果数据源不是 int 类型,则添加 vertex.policy 指定 VID 映射策略,建议设置为 "hash"
  130. source: srcid
  131. target: {
  132. field: dstid
  133. policy: "hash"
  134. }
  135. # 单次写入 Nebula Graph 的最大点数据量。
  136. batch: 256
  137. # Spark 分区数量
  138. partition: 32
  139. }
  140. ]
  141. }

步骤 4. (可选)检查配置文件是否正确

完成配置后,运行以下命令检查配置文件格式是否正确。关于参数的说明,参考 导入命令参数

  1. $SPARK_HOME/bin/spark-submit --master "local" --class com.vesoft.nebula.tools.importer.Exchange /path/to/exchange-1.2.1.jar -c /path/to/conf/hive_application.conf -h -D

步骤 5. 向 Nebula Graph 导入数据

运行以下命令将 HIVE 中的数据导入到 Nebula Graph 中。关于参数的说明,参考 导入命令参数

  1. $SPARK_HOME/bin/spark-submit --master "local" --class com.vesoft.nebula.tools.importer.Exchange /path/to/exchange-1.2.1.jar -c /path/to/conf/hive_application.conf -h

步骤 6. (可选)验证数据

您可以在 Nebula Graph 客户端(例如 Nebula Graph Studio)里执行语句,确认数据是否已导入,例如:

  1. GO FROM 1 OVER action;

如果返回边终点(action._dst)即表明数据已导入。

您也可以使用 db_dump 工具统计数据是否已经全部导入。详细的使用信息参考 Dump Tool

步骤 7. (可选)在 Nebula Graph 中重构索引

导入数据后,您可以在 Nebula Graph 中重新创建并重构索引。详细信息,参考《Nebula Graph Database 手册》