导入CSV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CSV文件数据导入Nebula Graph。

如果要向Nebula Graph导入本地CSV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:2.5.0。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。

  • 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CSV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));
    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:处理CSV文件

确认以下信息:

  1. 处理CSV文件以满足Schema的要求。

  2. 获取CSV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CSV数据源相关的配置。在本示例中,复制的文件名为csv_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. 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Tag player相关信息。
  51. {
  52. # 指定Nebula Graph中定义的Tag名称。
  53. name: player
  54. type: {
  55. # 指定数据源,使用CSV。
  56. source: csv
  57. # 指定如何将点数据导入Nebula Graph:Client或SST。
  58. sink: client
  59. }
  60. # 指定CSV文件的路径。
  61. # 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"。
  62. # 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"。
  63. path: "hdfs://192.168.*.*:9000/data/vertex_player.csv"
  64. # 如果CSV文件没有表头,使用[_c0, _c1, _c2, ..., _cn]表示其表头,并将列指示为属性值的源。
  65. # 如果CSV文件有表头,则使用实际的列名。
  66. fields: [_c1, _c2]
  67. # 指定Nebula Graph中定义的属性名称。
  68. # fields与nebula.fields的顺序必须一一对应。
  69. nebula.fields: [age, name]
  70. # 指定一个列作为VID的源。
  71. # vertex的值必须与上述fields或者csv.fields中的列名保持一致。
  72. # 目前,Nebula Graph 2.5.0仅支持字符串或整数类型的VID。
  73. vertex: {
  74. field:_c0
  75. # policy:hash
  76. }
  77. # 指定的分隔符。默认值为英文逗号(,)。
  78. separator: ","
  79. # 如果CSV文件有表头,请将header设置为true。
  80. # 如果CSV文件没有表头,请将header设置为false。默认值为false。
  81. header: false
  82. # 指定单批次写入Nebula Graph的最大点数量。
  83. batch: 256
  84. # 指定Spark分片数量。
  85. partition: 32
  86. }
  87. # 设置Tag team相关信息。
  88. {
  89. # 指定Nebula Graph中定义的Tag名称。
  90. name: team
  91. type: {
  92. # 指定数据源,使用CSV。
  93. source: csv
  94. # 指定如何将点数据导入Nebula Graph:Client或SST。
  95. sink: client
  96. }
  97. # 指定CSV文件的路径。
  98. # 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"。
  99. # 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"。
  100. path: "hdfs://192.168.*.*:9000/data/vertex_team.csv"
  101. # 如果CSV文件没有表头,使用[_c0, _c1, _c2, ..., _cn]表示其表头,并将列指示为属性值的源。
  102. # 如果CSV文件有表头,则使用实际的列名。
  103. fields: [_c1]
  104. # 指定Nebula Graph中定义的属性名称。
  105. # fields与nebula.fields的顺序必须一一对应。
  106. nebula.fields: [name]
  107. # 指定一个列作为VID的源。
  108. # vertex的值必须与上述fields或者csv.fields中的列名保持一致。
  109. # 目前,Nebula Graph 2.5.0仅支持字符串或整数类型的VID。
  110. vertex: {
  111. field:_c0
  112. # policy:hash
  113. }
  114. # 指定的分隔符。默认值为英文逗号(,)。
  115. separator: ","
  116. # 如果CSV文件有表头,请将header设置为true。
  117. # 如果CSV文件没有表头,请将header设置为false。默认值为false。
  118. header: false
  119. # 指定单批次写入Nebula Graph的最大点数量。
  120. batch: 256
  121. # 指定Spark分片数量。
  122. partition: 32
  123. }
  124. # 如果需要添加更多点,请参考前面的配置进行添加。
  125. ]
  126. # 处理边
  127. edges: [
  128. # 设置Edge type follow相关信息。
  129. {
  130. # 指定Nebula Graph中定义的Edge type名称。
  131. name: follow
  132. type: {
  133. # 指定数据源,使用CSV。
  134. source: csv
  135. # 指定如何将点数据导入Nebula Graph:Client或SST。
  136. sink: client
  137. }
  138. # 指定CSV文件的路径。
  139. # 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"。
  140. # 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"。
  141. path: "hdfs://192.168.*.*:9000/data/edge_follow.csv"
  142. # 如果CSV文件没有表头,使用[_c0, _c1, _c2, ..., _cn]表示其表头,并将列指示为属性值的源。
  143. # 如果CSV文件有表头,则使用实际的列名。
  144. fields: [_c2]
  145. # 指定Nebula Graph中定义的属性名称。
  146. # fields与nebula.fields的顺序必须一一对应。
  147. nebula.fields: [degree]
  148. # 指定一个列作为起始点和目的点的源。
  149. # vertex的值必须与上述fields或者csv.fields中的列名保持一致。
  150. # 目前,Nebula Graph 2.5.0仅支持字符串或整数类型的VID。
  151. source: {
  152. field: _c0
  153. }
  154. target: {
  155. field: _c1
  156. }
  157. # 指定的分隔符。默认值为英文逗号(,)。
  158. separator: ","
  159. # 指定一个列作为rank的源(可选)。
  160. #ranking: rank
  161. # 如果CSV文件有表头,请将header设置为true。
  162. # 如果CSV文件没有表头,请将header设置为false。默认值为false。
  163. header: false
  164. # 指定单批次写入Nebula Graph的最大边数量。
  165. batch: 256
  166. # 指定Spark分片数量。
  167. partition: 32
  168. }
  169. # 设置Edge type serve相关信息。
  170. {
  171. # 指定Nebula Graph中定义的Edge type名称。
  172. name: serve
  173. type: {
  174. # 指定数据源,使用CSV。
  175. source: csv
  176. # 指定如何将点数据导入Nebula Graph:Client或SST。
  177. sink: client
  178. }
  179. # 指定CSV文件的路径。
  180. # 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"。
  181. # 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"。
  182. path: "hdfs://192.168.*.*:9000/data/edge_serve.csv"
  183. # 如果CSV文件没有表头,使用[_c0, _c1, _c2, ..., _cn]表示其表头,并将列指示为属性值的源。
  184. # 如果CSV文件有表头,则使用实际的列名。
  185. fields: [_c2,_c3]
  186. # 指定Nebula Graph中定义的属性名称。
  187. # fields与nebula.fields的顺序必须一一对应。
  188. nebula.fields: [start_year, end_year]
  189. # 指定一个列作为起始点和目的点的源。
  190. # vertex的值必须与上述fields或者csv.fields中的列名保持一致。
  191. # 目前,Nebula Graph 2.5.0仅支持字符串或整数类型的VID。
  192. source: {
  193. field: _c0
  194. }
  195. target: {
  196. field: _c1
  197. }
  198. # 指定的分隔符。默认值为英文逗号(,)。
  199. separator: ","
  200. # 指定一个列作为rank的源(可选)。
  201. #ranking: _c5
  202. # 如果CSV文件有表头,请将header设置为true。
  203. # 如果CSV文件没有表头,请将header设置为false。默认值为false。
  204. header: false
  205. # 指定单批次写入Nebula Graph的最大边数量。
  206. batch: 256
  207. # 指定Spark分片数量。
  208. partition: 32
  209. }
  210. ]
  211. # 如果需要添加更多边,请参考前面的配置进行添加。
  212. }

步骤 4:向Nebula Graph导入数据

运行如下命令将CSV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-2.5.0.jar_path> -c <csv_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/csv_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