导入Hive数据Graph
本文以一个示例说明如何使用Exchange将存储在Hive上的数据导入NebulaGraph。
数据集Graph
本文以Graph为例。
在本示例中,该数据集已经存入Hive中名为basketball
的数据库中,以player
、team
、follow
和serve
四个表存储了所有点和边的信息。以下为各个表的结构。
scala> spark.sql("describe basketball.player").show
+--------+---------+-------+
|col_name|data_type|comment|
+--------+---------+-------+
|playerid| string| null|
| age| bigint| null|
| name| string| null|
+--------+---------+-------+
scala> spark.sql("describe basketball.team").show
+----------+---------+-------+
| col_name|data_type|comment|
+----------+---------+-------+
| teamid| string| null|
| name| string| null|
+----------+---------+-------+
scala> spark.sql("describe basketball.follow").show
+----------+---------+-------+
| col_name|data_type|comment|
+----------+---------+-------+
|src_player| string| null|
|dst_player| string| null|
| degree| bigint| null|
+----------+---------+-------+
scala> spark.sql("describe basketball.serve").show
+----------+---------+-------+
| col_name|data_type|comment|
+----------+---------+-------+
| playerid| string| null|
| teamid| string| null|
|start_year| bigint| null|
| end_year| bigint| null|
+----------+---------+-------+
说明:Hive的数据类型
bigint
与NebulaGraph的int
对应。
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
- Hadoop:2.9.2,伪分布式部署
- Hive:2.3.7,Hive Metastore 数据库为 MySQL 8.0.22
- NebulaGraph:2.6.0。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 2.6.0。
- 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Hadoop服务,并已启动Hive Metastore数据库(本示例中为 MySQL)。
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:
-
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
-
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:使用Spark SQL确认Hive SQL语句Graph
启动spark-shell环境后,依次运行以下语句,确认Spark能读取Hive中的数据。
scala> sql("select playerid, age, name from basketball.player").show
scala> sql("select teamid, name from basketball.team").show
scala> sql("select src_player, dst_player, degree from basketball.follow").show
scala> sql("select playerid, teamid, start_year, end_year from basketball.serve").show
以下为表basketball.player
中读出的结果。
+---------+----+-----------------+
| playerid| age| name|
+---------+----+-----------------+
|player100| 42| Tim Duncan|
|player101| 36| Tony Parker|
|player102| 33|LaMarcus Aldridge|
|player103| 32| Rudy Gay|
|player104| 32| Marco Belinelli|
+---------+----+-----------------+
...
步骤 3:修改配置文件Graph
编译Exchange后,复制target/classes/application.conf
文件设置Hive数据源相关的配置。在本示例中,复制的文件名为hive_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 2.6.0
}
driver: {
cores: 1
maxResultSize: 1G
}
cores {
max: 16
}
}
# 如果Spark和Hive部署在不同集群,才需要配置连接Hive的参数,否则请忽略这些配置。
#hive: {
# waredir: "hdfs://NAMENODE_IP:9000/apps/svr/hive-xxx/warehouse/"
# connectionURL: "jdbc:mysql://your_ip:3306/hive_spark?characterEncoding=UTF-8"
# connectionDriverName: "com.mysql.jdbc.Driver"
# connectionUserName: "user"
# connectionPassword: "password"
#}
# NebulaGraph相关配置
nebula: {
address:{
# 以下为NebulaGraph的Graph服务和所有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hive。
source: hive
# 指定如何将点数据导入NebulaGraph:Client或SST。
sink: client
}
# 设置读取数据库basketball中player表数据的SQL语句
exec: "select playerid, age, name from basketball.player"
# 在fields里指定player表中的列名称,其对应的value会作为NebulaGraph中指定属性。
# fields和nebula.fields里的配置必须一一对应。
# 如果需要指定多个列名称,用英文逗号(,)隔开。
fields: [age,name]
nebula.fields: [age,name]
# 指定表中某一列数据为NebulaGraph中点VID的来源。
vertex:{
field:playerid
}
# 单批次写入 NebulaGraph 的最大数据条数。
batch: 256
# Spark 分区数量
partition: 32
}
# 设置Tag team相关信息。
{
name: team
type: {
source: hive
sink: client
}
exec: "select teamid, name from basketball.team"
fields: [name]
nebula.fields: [name]
vertex: {
field: teamid
}
batch: 256
partition: 32
}
]
# 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hive。
source: hive
# 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
}
# 设置读取数据库basketball中follow表数据的SQL语句。
exec: "select src_player, dst_player, degree from basketball.follow"
# 在fields里指定follow表中的列名称,其对应的value会作为NebulaGraph中指定属性。
# fields和nebula.fields里的配置必须一一对应。
# 如果需要指定多个列名称,用英文逗号(,)隔开。
fields: [degree]
nebula.fields: [degree]
# 在source里,将follow表中某一列作为边的起始点数据源。
# 在target里,将follow表中某一列作为边的目的点数据源。
source: {
field: src_player
}
target: {
field: dst_player
}
# 指定一个列作为 rank 的源(可选)。
#ranking: rank
# 单批次写入 NebulaGraph 的最大数据条数。
batch: 256
# Spark 分区数量
partition: 32
}
# 设置Edge type serve相关信息
{
name: serve
type: {
source: hive
sink: client
}
exec: "select playerid, teamid, start_year, end_year from basketball.serve"
fields: [start_year,end_year]
nebula.fields: [start_year,end_year]
source: {
field: playerid
}
target: {
field: teamid
}
# 指定一个列作为 rank 的源(可选)。
#ranking: rank
batch: 256
partition: 32
}
]
}
步骤 4:向NebulaGraph导入数据Graph
运行如下命令将Hive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-2.6.0.jar_path> -c <hive_application.conf_path> -h
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-exchange/nebula-exchange/target/nebula-exchange-2.6.0.jar -c /root/nebula-exchange/nebula-exchange/target/classes/hive_application.conf -h
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 6:(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。