导入Parquet文件数据

本文以一个示例说明如何使用Exchange将存储在HDFS上的Parquet文件数据导入Nebula Graph。

如果您要向Nebula Graph导入本地Parquet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:2.0.0。使用Docker Compose部署

前提条件

开始导入数据之前,您需要确认以下信息:

  • 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 2.0。

  • 已经安装Spark。

  • 了解Nebula Graph中创建Schema的信息,包括标签和边类型的名称、属性等。

  • 已经安装并开启Hadoop服务。

操作步骤

步骤 1:在Nebula Graph中创建Schema

分析Parquet文件中的数据,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
    标签(Tag)playername string, age int
    标签(Tag)teamname string
    边类型(Edge Type)followdegree int
    边类型(Edge Type)servestart_year int, end_year int
  2. 使用Nebula Console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. ## 创建标签player
    9. nebula> CREATE TAG player(name string, age int);
    10. ## 创建标签team
    11. nebula> CREATE TAG team(name string);
    12. ## 创建边类型follow
    13. nebula> CREATE EDGE follow(degree int);
    14. ## 创建边类型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:处理Parquet文件

确认以下信息:

  1. 处理Parquet文件以满足Schema的要求。

  2. Parquet文件必须存储在HDFS中,并已获取文件存储路径。

步骤 3:修改配置文件

编译Exchange后,复制target/classes/application.conf文件设置Parquet数据源相关的配置。在本示例中,复制的文件名为parquet_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 2.0
  6. }
  7. driver: {
  8. cores: 1
  9. maxResultSize: 1G
  10. }
  11. executor: {
  12. memory:1G
  13. }
  14. cores {
  15. max: 16
  16. }
  17. }
  18. # Nebula Graph相关配置
  19. nebula: {
  20. address:{
  21. # 指定Graph服务和所有Meta服务的IP地址和端口。
  22. # 如果有多台服务器,地址之间用英文逗号(,)分隔。
  23. # 格式: "ip1:port","ip2:port","ip3:port"
  24. graph:["127.0.0.1:9669"]
  25. meta:["127.0.0.1:9559"]
  26. }
  27. # 指定拥有Nebula Graph写权限的用户名和密码。
  28. user: root
  29. pswd: nebula
  30. # 指定图空间名称。
  31. space: basketballplayer
  32. connection {
  33. timeout: 3000
  34. retry: 3
  35. }
  36. execution {
  37. retry: 3
  38. }
  39. error: {
  40. max: 32
  41. output: /tmp/errors
  42. }
  43. rate: {
  44. limit: 1024
  45. timeout: 1000
  46. }
  47. }
  48. # 处理点
  49. tags: [
  50. # 设置标签player相关信息。
  51. {
  52. # 指定Nebula Graph中定义的标签名称。
  53. name: player
  54. type: {
  55. # 指定数据源,使用Parquet。
  56. source: parquet
  57. # 指定如何将点数据导入Nebula Graph:Client或SST。
  58. sink: client
  59. }
  60. # 指定Parquet文件的HDFS路径。
  61. # 用双引号括起路径,以hdfs://开头。
  62. path: "hdfs://192.168.*.*9000/data/vertex_player.parquet"
  63. # 在fields里指定Parquet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。
  64. # 如果需要指定多个值,用英文逗号(,)隔开。
  65. fields: [age,name]
  66. # 指定Nebula Graph中定义的属性名称。
  67. # fields与nebula.fields的顺序必须一一对应。
  68. nebula.fields: [age, name]
  69. # 指定一个列作为VID的源。
  70. # vertex的值必须与Parquet文件中的字段保持一致。
  71. # 目前,Nebula Graph 2.0.0仅支持字符串或整数类型的VID。
  72. # 不要使用vertex.policy映射。
  73. vertex: {
  74. field:id
  75. }
  76. # 指定单批次写入Nebula Graph的最大点数量。
  77. batch: 256
  78. # 指定Spark分片数量。
  79. partition: 32
  80. }
  81. # 设置标签team相关信息。
  82. {
  83. # 指定Nebula Graph中定义的标签名称。
  84. name: team
  85. type: {
  86. # 指定数据源,使用Parquet。
  87. source: parquet
  88. # 指定如何将点数据导入Nebula Graph:Client或SST。
  89. sink: client
  90. }
  91. # 指定Parquet文件的HDFS路径。
  92. # 用双引号括起路径,以hdfs://开头。
  93. path: "hdfs://192.168.*.*:9000/data/vertex_team.parquet"
  94. # 在fields里指定Parquet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。
  95. # 如果需要指定多个值,用英文逗号(,)隔开。
  96. fields: [name]
  97. # 指定Nebula Graph中定义的属性名称。
  98. # fields与nebula.fields的顺序必须一一对应。
  99. nebula.fields: [name]
  100. # 指定一个列作为VID的源。
  101. # vertex的值必须与Parquet文件中的字段保持一致。
  102. # 目前,Nebula Graph 2.0.0仅支持字符串或整数类型的VID。
  103. # 不要使用vertex.policy映射。
  104. vertex: {
  105. field:id
  106. }
  107. # 指定单批次写入Nebula Graph的最大点数量。
  108. batch: 256
  109. # 指定Spark分片数量。
  110. partition: 32
  111. }
  112. # 如果需要添加更多点,请参考前面的配置进行添加。
  113. ]
  114. # 处理边
  115. edges: [
  116. # 设置边类型follow相关信息。
  117. {
  118. # 指定Nebula Graph中定义的边类型名称。
  119. name: follow
  120. type: {
  121. # 指定数据源,使用Parquet。
  122. source: parquet
  123. # 指定如何将点数据导入Nebula Graph:Client或SST。
  124. sink: client
  125. }
  126. # 指定Parquet文件的HDFS路径。
  127. # 用双引号括起路径,以hdfs://开头。
  128. path: "hdfs://192.168.*.*:9000/data/edge_follow.parquet"
  129. # 在fields里指定Parquet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。
  130. # 如果需要指定多个值,用英文逗号(,)隔开。
  131. fields: [degree]
  132. # 指定Nebula Graph中定义的属性名称。
  133. # fields与nebula.fields的顺序必须一一对应。
  134. nebula.fields: [degree]
  135. # 指定一个列作为起始点和目的点的源。
  136. # vertex的值必须与Parquet文件中的字段保持一致。
  137. # 目前,Nebula Graph 2.0.0仅支持字符串或整数类型的VID。
  138. # 不要使用vertex.policy映射。
  139. source: {
  140. field: src
  141. }
  142. target: {
  143. field: dst
  144. }
  145. # 指定一个列作为rank的源(可选)。
  146. #ranking: rank
  147. # 指定单批次写入Nebula Graph的最大边数量。
  148. batch: 256
  149. # 指定Spark分片数量。
  150. partition: 32
  151. }
  152. # 设置边类型serve相关信息。
  153. {
  154. # 指定Nebula Graph中定义的边类型名称。
  155. name: serve
  156. type: {
  157. # 指定数据源,使用Parquet。
  158. source: parquet
  159. # 指定如何将点数据导入Nebula Graph:Client或SST。
  160. sink: client
  161. }
  162. # 指定Parquet文件的HDFS路径。
  163. # 用双引号括起路径,以hdfs://开头。
  164. path: "hdfs://192.168.*.*:9000/data/edge_serve.parquet"
  165. # 在fields里指定Parquet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。
  166. # 如果需要指定多个值,用英文逗号(,)隔开。
  167. fields: [start_year,end_year]
  168. # 指定Nebula Graph中定义的属性名称。
  169. # fields与nebula.fields的顺序必须一一对应。
  170. nebula.fields: [start_year, end_year]
  171. # 指定一个列作为起始点和目的点的源。
  172. # vertex的值必须与Parquet文件中的字段保持一致。
  173. # 目前,Nebula Graph 2.0.0仅支持字符串或整数类型的VID。
  174. # 不要使用vertex.policy映射。
  175. source: {
  176. field: src
  177. }
  178. target: {
  179. field: dst
  180. }
  181. # 指定一个列作为rank的源(可选)。
  182. #ranking: _c5
  183. # 指定单批次写入Nebula Graph的最大边数量。
  184. batch: 256
  185. # 指定Spark分片数量。
  186. partition: 32
  187. }
  188. ]
  189. # 如果需要添加更多边,请参考前面的配置进行添加。
  190. }

步骤 4:向Nebula Graph导入数据

运行如下命令将Parquet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

  1. ${SPARK_HOME}/bin/spark-submit --master "local" --class com.vesoft.nebula.exchange.Exchange <nebula-exchange-2.0.0.jar_path> -c <parquet_application.conf_path>

示例:

  1. ${SPARK_HOME}/bin/spark-submit --master "local" --class com.vesoft.nebula.exchange.Exchange /root/nebula-spark-utils/nebula-exchange/target/nebula-exchange-2.0.0.jar -c /root/nebula-spark-utils/nebula-exchange/target/classes/parquet_application.conf

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

步骤 5:(可选)验证数据

您可以在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;

您也可以使用命令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,您可以在Nebula Graph中重新创建并重建索引。详情请参见索引介绍