跳转至

导入Kafka数据

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

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

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 2.5.1。
  • 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Kafka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
    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Nebula Graph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,请参见快速开始

步骤 2:修改配置文件

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配置说明

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


  # Nebula Graph相关配置
  nebula: {
    address:{
      # 以下为Nebula Graph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Nebula Graph相应图空间的写数据权限。
    user: root
    pswd: nebula
    # 填写Nebula Graph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。
    {
      # Nebula Graph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Nebula Graph: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Nebula Graph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 Nebula Graph 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
    {
      # Nebula Graph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Nebula Graph的方式,
        # 指定如何将点数据导入Nebula Graph: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 Nebula Graph 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Nebula Graph导入数据

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

${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:自行编译或者从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

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:

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


最后更新: August 23, 2021
Back to top