导入MaxCompute数据

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

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

  • MaxCompute:阿里云官方版本

  • Nebula Graph:2.5.0。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 2.5.0。

  • 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Hadoop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

编译Exchange后,复制target/classes/application.conf文件设置MaxCompute数据源相关的配置。在本示例中,复制的文件名为maxcompute_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 2.5.0
  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. name: player
  50. type: {
  51. # 指定数据源文件格式,设置为MaxCompute。
  52. source: maxcompute
  53. # 指定如何将点数据导入Nebula Graph:Client或SST。
  54. sink: client
  55. }
  56. # MaxCompute的表名
  57. table:player
  58. # MaxCompute的项目名
  59. project:project
  60. # MaxCompute服务的odpsUrl和tunnelUrl,
  61. # 地址可在 https://help.aliyun.com/document_detail/34951.html 查看。
  62. odpsUrl:"http://service.cn-hangzhou.maxcompute.aliyun.com/api"
  63. tunnelUrl:"http://dt.cn-hangzhou.maxcompute.aliyun.com"
  64. # MaxCompute服务的accessKeyId和accessKeySecret。
  65. accessKeyId:xxx
  66. accessKeySecret:xxx
  67. # MaxCompute表的分区描述,该配置可选。
  68. partitionSpec:"dt='partition1'"
  69. # 请确保SQL语句中的表名和上方table的值相同,该配置可选。
  70. sentence:"select id, name, age, playerid from player where id < 10"
  71. # 在fields里指定player表中的列名称,其对应的value会作为Nebula Graph中指定属性。
  72. # fields和nebula.fields里的配置必须一一对应。
  73. # 如果需要指定多个列名称,用英文逗号(,)隔开。
  74. fields:[name, age]
  75. nebula.fields:[name, age]
  76. # 指定表中某一列数据为Nebula Graph中点VID的来源。
  77. vertex:{
  78. field: playerid
  79. }
  80. # 单批次写入 Nebula Graph 的数据条数。
  81. batch: 256
  82. # Spark 分区数量
  83. partition: 32
  84. }
  85. # 设置Tag team相关信息。
  86. {
  87. name: team
  88. type: {
  89. source: maxcompute
  90. sink: client
  91. }
  92. table:team
  93. project:project
  94. odpsUrl:"http://service.cn-hangzhou.maxcompute.aliyun.com/api"
  95. tunnelUrl:"http://dt.cn-hangzhou.maxcompute.aliyun.com"
  96. accessKeyId:xxx
  97. accessKeySecret:xxx
  98. partitionSpec:"dt='partition1'"
  99. sentence:"select id, name, teamid from team where id < 10"
  100. fields:[name]
  101. nebula.fields:[name]
  102. vertex:{
  103. field: teamid
  104. }
  105. batch: 256
  106. partition: 32
  107. }
  108. ]
  109. # 处理边数据
  110. edges: [
  111. # 设置Edge type follow相关信息
  112. {
  113. # Nebula Graph中对应的Edge type名称。
  114. name: follow
  115. type:{
  116. # 指定数据源文件格式,设置为MaxCompute。
  117. source:maxcompute
  118. # 指定边数据导入Nebula Graph的方式,
  119. # 指定如何将点数据导入Nebula Graph:Client或SST。
  120. sink:client
  121. }
  122. # MaxCompute的表名
  123. table:follow
  124. # MaxCompute的项目名
  125. project:project
  126. # MaxCompute服务的odpsUrl和tunnelUrl,
  127. # 地址可在 https://help.aliyun.com/document_detail/34951.html 查看。
  128. odpsUrl:"http://service.cn-hangzhou.maxcompute.aliyun.com/api"
  129. tunnelUrl:"http://dt.cn-hangzhou.maxcompute.aliyun.com"
  130. # MaxCompute服务的accessKeyId和accessKeySecret。
  131. accessKeyId:xxx
  132. accessKeySecret:xxx
  133. # MaxCompute表的分区描述,该配置可选。
  134. partitionSpec:"dt='partition1'"
  135. # 请确保SQL语句中的表名和上方table的值相同,该配置可选。
  136. sentence:"select * from follow"
  137. # 在fields里指定follow表中的列名称,其对应的value会作为Nebula Graph中指定属性。
  138. # fields和nebula.fields里的配置必须一一对应。
  139. # 如果需要指定多个列名称,用英文逗号(,)隔开。
  140. fields:[degree]
  141. nebula.fields:[degree]
  142. # 在source里,将follow表中某一列作为边的起始点数据源。
  143. source:{
  144. field: src_player
  145. }
  146. # 在target里,将follow表中某一列作为边的目的点数据源。
  147. target:{
  148. field: dst_player
  149. }
  150. # Spark 分区数量
  151. partition:10
  152. # 单批次写入 Nebula Graph 的数据条数。
  153. batch:10
  154. }
  155. # 设置Edge type serve相关信息
  156. {
  157. name: serve
  158. type:{
  159. source:maxcompute
  160. sink:client
  161. }
  162. table:serve
  163. project:project
  164. odpsUrl:"http://service.cn-hangzhou.maxcompute.aliyun.com/api"
  165. tunnelUrl:"http://dt.cn-hangzhou.maxcompute.aliyun.com"
  166. accessKeyId:xxx
  167. accessKeySecret:xxx
  168. partitionSpec:"dt='partition1'"
  169. sentence:"select * from serve"
  170. fields:[start_year,end_year]
  171. nebula.fields:[start_year,end_year]
  172. source:{
  173. field: playerid
  174. }
  175. target:{
  176. field: teamid
  177. }
  178. partition:10
  179. batch:10
  180. }
  181. ]
  182. }

步骤 3:向Nebula Graph导入数据

运行如下命令将MaxCompute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-2.5.0.jar_path> -c <maxcompute_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-2.5.0.jar -c /root/nebula-spark-utils/nebula-exchange/target/classes/maxcompute_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