导入Kafka数据Graph

本文简单说明如何使用Exchange将存储在Kafka上的数据导入NebulaGraph。

环境配置Graph

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

• NebulaGraph：2.5.1。使用Graph。

前提条件Graph

开始导入数据之前，用户需要确认以下信息：

• 已经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NebulaGraph写权限的用户名和密码。

• 已经编译Exchange。详情请参见Graph。本示例中使用Exchange 2.5.1。

• 已经安装Spark。

• 了解NebulaGraph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Kafka服务。

操作步骤Graph

步骤 1：在NebulaGraph中创建SchemaGraph

分析数据，按以下步骤在NebulaGraph中创建Schema：

1. 确认Schema要素。NebulaGraph中的Schema要素如下表所示。

   要素	名称	属性
   Tag	player	name string, age int
   Tag	team	name string
   Edge Type	follow	degree int
   Edge Type	serve	start_year int, end_year int

2. 在NebulaGraph中创建一个图空间basketballplayer，并创建一个Schema，如下所示。

   ## 创建图空间
   nebula> CREATE SPACE basketballplayer \
           (partition_num = 10, \
           replica_factor = 1, \
           vid_type = FIXED_STRING(30));
   
   ## 选择图空间basketballplayer
   nebula> USE basketballplayer;
   
   ## 创建Tag player
   nebula> CREATE TAG player(name string, age int);
   
   ## 创建Tag team
   nebula> CREATE TAG team(name string);
   
   ## 创建Edge type follow
   nebula> CREATE EDGE follow(degree int);
   
   ## 创建Edge type serve
   nebula> CREATE EDGE serve(start_year int, end_year int);
   

更多信息，请参见Graph。

步骤 2：修改配置文件Graph

Note

如果部分数据存储在Kafka的value域内，需要自行修改源码，从Kafka中获取value域，将value通过from_json函数解析，然后作为Dataframe返回。

编译Exchange后，复制target/classes/application.conf文件设置Kafka数据源相关的配置。在本示例中，复制的文件名为kafka_application.conf。各个配置项的详细说明请参见Graph。

{
  # Spark相关配置
  spark: {
    app: {
      name: Nebula Exchange 2.5.1
    }
    driver: {
      cores: 1
      maxResultSize: 1G
    }
    cores {
      max: 16
    }
  }


  # NebulaGraph相关配置
  nebula: {
    address:{
      # 以下为NebulaGraph的Graph服务和Meta服务所在机器的IP地址及端口。
      # 如果有多个地址，格式为 "ip1:port","ip2:port","ip3:port"。
      # 不同地址之间以英文逗号 (,) 隔开。
      graph:["127.0.0.1:9669"]
      meta:["127.0.0.1:9559"]
    }
    # 填写的账号必须拥有NebulaGraph相应图空间的写数据权限。
    user: root
    pswd: nebula
    # 填写NebulaGraph中需要写入数据的图空间名称。
    space: basketballplayer
    connection {
      timeout: 3000
      retry: 3
    }
    execution {
      retry: 3
    }
    error: {
      max: 32
      output: /tmp/errors
    }
    rate: {
      limit: 1024
      timeout: 1000
    }
  }
  # 处理点
  tags: [
    # 设置Tag player相关信息。
    {
      # NebulaGraph中对应的Tag名称。
      name: player
      type: {
        # 指定数据源文件格式，设置为Kafka。
        source: kafka
        # 指定如何将点数据导入NebulaGraph：Client或SST。
        sink: client
      }
      # Kafka服务器地址。
      service: "127.0.0.1:9092"
      # 消息类别。
      topic: "topic_name1"

      # Kafka数据有固定的域名称：key、value、topic、partition、offset、timestamp、timestampType。
      # Spark读取为DataFrame后，如果需要指定多个字段，用英文逗号（,）隔开。
      # 在fields里指定字段名称，例如用key对应Nebula中的name， value对应Nebula中的age，示例如下：
      fields: [key,value]
      nebula.fields: [name,age]

      # 指定表中某一列数据为NebulaGraph中点VID的来源。
      # 这里的值key和上面的key重复，表示key既作为VID，也作为属性name。
      vertex:{
          field:key
      }


      # 单批次写入 NebulaGraph 的数据条数。
      batch: 10

      # Spark 分区数量
      partition: 10
      # 读取消息的间隔。单位：秒。
      interval.seconds: 10
    }
    # 设置Tag team相关信息。
    {
      name: team
      type: {
        source: kafka
        sink: client
      }
      service: "127.0.0.1:9092"
      topic: "topic_name2"
      fields: [key]
      nebula.fields: [name]
      vertex:{
          field:key
      }
      batch: 10
      partition: 10
      interval.seconds: 10
    }

  ]

  # 处理边数据
  edges: [
    # 设置Edge type follow相关信息
    {
      # NebulaGraph中对应的Edge type名称。
      name: follow

      type: {
        # 指定数据源文件格式，设置为Kafka。
        source: kafka

        # 指定边数据导入NebulaGraph的方式，
        # 指定如何将点数据导入NebulaGraph：Client或SST。
        sink: client
      }

      # Kafka服务器地址。
      service: "127.0.0.1:9092"
      # 消息类别。
      topic: "topic_name3"

      # Kafka数据有固定的域名称：key、value、topic、partition、offset、timestamp、timestampType。
      # Spark读取为DataFrame后，如果需要指定多个字段，用英文逗号（,）隔开。
      # 在fields里指定字段名称，例如用key对应Nebula中的degree，示例如下：
      fields: [key]
      nebula.fields: [degree]

      # 在source里，将topic中某一列作为边的起始点数据源。
      # 在target里，将topic中某一列作为边的目的点数据源。
      source:{
          field:timestamp
      }


      target:{
          field:offset
      }


      # 单批次写入 NebulaGraph 的数据条数。
      batch: 10

      # Spark 分区数量
      partition: 10

      # 读取消息的间隔。单位：秒。
      interval.seconds: 10
    }

    # 设置Edge type serve相关信息
    {
      name: serve
      type: {
        source: kafka
        sink: client
      }
      service: "127.0.0.1:9092"
      topic: "topic_name4"

      fields: [timestamp,offset]
      nebula.fields: [start_year,end_year]
      source:{
          field:key
      }

      target:{
          field:value
      }

      batch: 10
      partition: 10
      interval.seconds: 10
    }
  ]
}

步骤 3：向NebulaGraph导入数据Graph

运行如下命令将Kafka数据导入到NebulaGraph中。关于参数的说明，请参见Graph。

${SPARK_HOME}/bin/spark-submit --master "local" --class com.vesoft.nebula.exchange.Exchange <nebula-exchange-2.5.1.jar_path> -c <kafka_application.conf_path>

Note

JAR包有两种获取方式：Graph或者从maven仓库下载。

示例：

${SPARK_HOME}/bin/spark-submit  --master "local" --class com.vesoft.nebula.exchange.Exchange  /root/nebula-spark-utils/nebula-exchange/target/nebula-exchange-2.5.1.jar  -c /root/nebula-spark-utils/nebula-exchange/target/classes/kafka_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Graph

用户可以在NebulaGraph客户端（例如NebulaGraph Studio）中执行查询语句，确认数据是否已导入。例如：

GO FROM "player100" OVER follow;

用户也可以使用命令Graph查看统计数据。

步骤 5：（如有）在NebulaGraph中重建索引Graph

导入数据后，用户可以在NebulaGraph中重新创建并重建索引。详情请参见Graph。

---

最后更新: August 23, 2021