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或本地的Parquet文件数据导入Nebula Graph。

如果要向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：2.0.1。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](../../4.deployment-and-installation/2.compile-and-install-nebula-graph/2.install-nebula-graph-by-rpm-or-deb.md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 2.1.0。

  • 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
    Tagplayername string, age int
    Tagteamname string
    Edge Typefollowdegree int
    Edge Typeservestart_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));
    7. ## 选择图空间basketballplayer
    8. nebula> USE basketballplayer;
    10. ## 创建Tag player
    11. nebula> CREATE TAG player(name string, age int);
    13. ## 创建Tag team
    14. nebula> CREATE TAG team(name string);
    16. ## 创建Edge type follow
    17. nebula> CREATE EDGE follow(degree int);
    19. ## 创建Edge type serve
    20. 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. 获取Parquet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 2.1.0
  6.     }
  7.     driver: {
  8.       cores: 1
  9.       maxResultSize: 1G
  10.     }
  11.     executor: {
  12.         memory:1G
  13.     }
  15.     cores {
  16.       max: 16
  17.     }
  18.   }
  20.   # Nebula Graph相关配置
  21.   nebula: {
  22.     address:{
  23.       # 指定Graph服务和所有Meta服务的IP地址和端口。
  24.       # 如果有多台服务器，地址之间用英文逗号（,）分隔。
  25.       # 格式: "ip1:port","ip2:port","ip3:port"
  26.       graph:["127.0.0.1:9669"]
  27.       meta:["127.0.0.1:9559"]
  28.     }
  30.     # 指定拥有Nebula Graph写权限的用户名和密码。
  31.     user: root
  32.     pswd: nebula
  34.     # 指定图空间名称。
  35.     space: basketballplayer
  36.     connection {
  37.       timeout: 3000
  38.       retry: 3
  39.     }
  40.     execution {
  41.       retry: 3
  42.     }
  43.     error: {
  44.       max: 32
  45.       output: /tmp/errors
  46.     }
  47.     rate: {
  48.       limit: 1024
  49.       timeout: 1000
  50.     }
  51.   }
  53.   # 处理点
  54.   tags: [
  55.     # 设置Tag player相关信息。
  56.     {
  57.       # 指定Nebula Graph中定义的Tag名称。
  58.       name: player
  59.       type: {
  60.         # 指定数据源，使用Parquet。
  61.         source: parquet
  63.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  64.         sink: client
  65.       }
  67.       # 指定Parquet文件的路径。
  68.       # 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"。
  69.       # 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.csv"。
  70.       path: "hdfs://192.168.11.139000/data/vertex_player.parquet"
  72.       # 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。
  73.       # 如果需要指定多个值，用英文逗号（,）隔开。
  74.       fields: [age,name]
  76.       # 指定Nebula Graph中定义的属性名称。
  77.       # fields与nebula.fields的顺序必须一一对应。
  78.       nebula.fields: [age, name]
  80.       # 指定一个列作为VID的源。
  81.       # vertex的值必须与Parquet文件中的字段保持一致。
  82.       # 目前，Nebula Graph 2.0.1仅支持字符串或整数类型的VID。
  83.       # 不要使用vertex.policy映射。
  84.       vertex: {
  85.         field:id
  86.       }
  88.       # 指定单批次写入Nebula Graph的最大点数量。
  89.       batch: 256
  91.       # 指定Spark分片数量。
  92.       partition: 32
  93.     }
  95.     # 设置Tag team相关信息。
  96.     {
  97.       # 指定Nebula Graph中定义的Tag名称。
  98.       name: team
  99.       type: {
  100.         # 指定数据源，使用Parquet。
  101.         source: parquet
  103.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  104.         sink: client
  105.       }
  107.       # 指定Parquet文件的路径。
  108.       # 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"。
  109.       # 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.csv"。
  110.       path: "hdfs://192.168.11.13:9000/data/vertex_team.parquet"
  112.       # 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。
  113.       # 如果需要指定多个值，用英文逗号（,）隔开。
  114.       fields: [name]
  116.       # 指定Nebula Graph中定义的属性名称。
  117.       # fields与nebula.fields的顺序必须一一对应。
  118.       nebula.fields: [name]
  120.       # 指定一个列作为VID的源。
  121.       # vertex的值必须与Parquet文件中的字段保持一致。
  122.       # 目前，Nebula Graph 2.0.1仅支持字符串或整数类型的VID。
  123.       # 不要使用vertex.policy映射。
  124.       vertex: {
  125.         field:id
  126.       }
  129.       # 指定单批次写入Nebula Graph的最大点数量。
  130.       batch: 256
  132.       # 指定Spark分片数量。
  133.       partition: 32
  134.     }
  137.     # 如果需要添加更多点，请参考前面的配置进行添加。
  138.   ]
  139.   # 处理边
  140.   edges: [
  141.     # 设置Edge type follow相关信息。
  142.     {
  143.       # 指定Nebula Graph中定义的Edge type名称。
  144.       name: follow
  145.       type: {
  146.         # 指定数据源，使用Parquet。
  147.         source: parquet
  149.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  150.         sink: client
  151.       }
  153.       # 指定Parquet文件的路径。
  154.       # 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"。
  155.       # 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.csv"。
  156.       path: "hdfs://192.168.11.13:9000/data/edge_follow.parquet"
  158.       # 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。
  159.       # 如果需要指定多个值，用英文逗号（,）隔开。
  160.       fields: [degree]
  162.       # 指定Nebula Graph中定义的属性名称。
  163.       # fields与nebula.fields的顺序必须一一对应。
  164.       nebula.fields: [degree]
  166.       # 指定一个列作为起始点和目的点的源。
  167.       # vertex的值必须与Parquet文件中的字段保持一致。
  168.       # 目前，Nebula Graph 2.0.1仅支持字符串或整数类型的VID。
  169.       # 不要使用vertex.policy映射。
  170.       source: {
  171.         field: src
  172.       }
  173.       target: {
  174.         field: dst
  175.       }
  178.       # 指定一个列作为rank的源(可选)。
  179.       #ranking: rank
  181.       # 指定单批次写入Nebula Graph的最大边数量。
  182.       batch: 256
  184.       # 指定Spark分片数量。
  185.       partition: 32
  186.     }
  188.     # 设置Edge type serve相关信息。
  189.     {
  190.       # 指定Nebula Graph中定义的Edge type名称。
  191.       name: serve
  192.       type: {
  193.         # 指定数据源，使用Parquet。
  194.         source: parquet
  196.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  197.         sink: client
  198.       }
  200.       # 指定Parquet文件的路径。
  201.       # 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"。
  202.       # 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.csv"。
  203.       path: "hdfs://192.168.11.13:9000/data/edge_serve.parquet"
  205.       # 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。
  206.       # 如果需要指定多个值，用英文逗号（,）隔开。
  207.       fields: [start_year,end_year]
  209.       # 指定Nebula Graph中定义的属性名称。
  210.       # fields与nebula.fields的顺序必须一一对应。
  211.       nebula.fields: [start_year, end_year]
  213.       # 指定一个列作为起始点和目的点的源。
  214.       # vertex的值必须与Parquet文件中的字段保持一致。
  215.       # 目前，Nebula Graph 2.0.1仅支持字符串或整数类型的VID。
  216.       # 不要使用vertex.policy映射。
  217.       source: {
  218.         field: src
  219.       }
  220.       target: {
  221.         field: dst
  222.       }
  225.       # 指定一个列作为rank的源(可选)。
  226.       #ranking: _c5
  229.       # 指定单批次写入Nebula Graph的最大边数量。
  230.       batch: 256
  232.       # 指定Spark分片数量。
  233.       partition: 32
  234.     }
  236.   ]
  237.   # 如果需要添加更多边，请参考前面的配置进行添加。
  238. }

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-2.1.0.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-2.1.0.jar  -c /root/nebula-spark-utils/nebula-exchange/target/classes/parquet_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：

  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 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。