NebulaGraph Spark Connector

NebulaGraph Spark Connector 是一个 Spark 连接器，提供通过 Spark 标准形式读写 NebulaGraph 数据的能力。NebulaGraph Spark Connector 由 Reader 和 Writer 两部分组成。

• Reader

  提供一个 Spark SQL 接口，用户可以使用该接口编程读取 NebulaGraph 图数据，单次读取一个点或 Edge type 的数据，并将读取的结果组装成 Spark 的 DataFrame。

• Writer

  提供一个 Spark SQL 接口，用户可以使用该接口编程将 DataFrame 格式的数据逐条或批量写入 NebulaGraph。

更多使用说明请参见 NebulaGraph Spark Connector。

适用场景

NebulaGraph Spark Connector 适用于以下场景：

• 在不同的 NebulaGraph 集群之间迁移数据。

• 在同一个 NebulaGraph 集群内不同图空间之间迁移数据。

• NebulaGraph 与其他数据源之间迁移数据。

• 结合 NebulaGraph Algorithm 进行图计算。

特性

NebulaGraph Spark Connector 3.0.0版本特性如下：

• 提供多种连接配置项，如超时时间、连接重试次数、执行重试次数等。

• 提供多种数据配置项，如写入数据时设置对应列为点 ID、起始点 ID、目的点 ID 或属性。

• Reader 支持无属性读取和全属性读取。

• Reader 支持将 NebulaGraph 数据读取成 Graphx 的 VertexRDD 和 EdgeRDD，支持非 Long 型点 ID。

• 统一了 SparkSQL 的扩展数据源，统一采用 DataSourceV2 进行 NebulaGraph 数据扩展。

• 支持insert、update和delete三种写入模式。insert模式会插入（覆盖）数据，update模式仅会更新已存在的数据，delete模式只删除数据。

• 支持与 NebulaGraph 之间的 SSL 加密连接。

更新说明

Release notes

获取 NebulaGraph Spark Connector

编译打包

Note

安装 Spark 2.4.x 版本。

1. 克隆仓库nebula-spark-connector。

   $ git clone -b v3.0.0 https://github.com/vesoft-inc/nebula-spark-connector.git
   

2. 进入目录nebula-spark-connector。

   $ cd nebula-spark-connector/nebula-spark-connector
   

3. 编译打包。

   $ mvn clean package -Dmaven.test.skip=true -Dgpg.skip -Dmaven.javadoc.skip=true
   

编译完成后，在目录nebula-spark-connector/nebula-spark-connector/target/下生成类似文件nebula-spark-connector-3.0.0-SHANPSHOT.jar。

Maven 远程仓库下载

下载地址

使用方法

使用 NebulaGraph Spark Connector 读写 NebulaGraph 数据库时，只需要编写以下代码即可实现。

# 从 NebulaGraph 读取点边数据。
spark.read.nebula().loadVerticesToDF()
spark.read.nebula().loadEdgesToDF()

# 将 dataframe 数据作为点和边写入 NebulaGraph 中。
dataframe.write.nebula().writeVertices()
dataframe.write.nebula().writeEdges()

nebula()接收两个配置参数，包括连接配置和读写配置。

从 NebulaGraph 读取数据

val config = NebulaConnectionConfig
  .builder()
  .withMetaAddress("127.0.0.1:9559")
  .withConenctionRetry(2)
  .withExecuteRetry(2)
  .withTimeout(6000)
  .build()

val nebulaReadVertexConfig: ReadNebulaConfig = ReadNebulaConfig
  .builder()
  .withSpace("test")
  .withLabel("person")
  .withNoColumn(false)
  .withReturnCols(List("birthday"))
  .withLimit(10)
  .withPartitionNum(10)
  .build()
val vertex = spark.read.nebula(config, nebulaReadVertexConfig).loadVerticesToDF()

val nebulaReadEdgeConfig: ReadNebulaConfig = ReadNebulaConfig
  .builder()
  .withSpace("test")
  .withLabel("knows")
  .withNoColumn(false)
  .withReturnCols(List("degree"))
  .withLimit(10)
  .withPartitionNum(10)
  .build()
val edge = spark.read.nebula(config, nebulaReadEdgeConfig).loadEdgesToDF()

• NebulaConnectionConfig是连接 NebulaGraph 的配置，说明如下。

  参数	是否必须	说明
  withMetaAddress	是	所有 Meta 服务的地址，多个地址用英文逗号（,）隔开，格式为ip1:port1,ip2:port2,...。读取数据不需要配置withGraphAddress。
  withConnectionRetry	否	NebulaGraph Java Client 连接 NebulaGraph 的重试次数。默认值为1。
  withExecuteRetry	否	NebulaGraph Java Client 执行查询语句的重试次数。默认值为1。
  withTimeout	否	NebulaGraph Java Client 请求响应的超时时间。默认值为6000，单位：毫秒（ms）。

• ReadNebulaConfig是读取 NebulaGraph 数据的配置，说明如下。

  参数	是否必须	说明
  withSpace	是	NebulaGraph 图空间名称。
  withLabel	是	NebulaGraph 图空间内的 Tag 或 Edge type 名称。
  withNoColumn	否	是否不读取属性。默认值为false，表示读取属性。取值为true时，表示不读取属性，此时withReturnCols配置无效。
  withReturnCols	否	配置要读取的点或边的属性集。格式为List(property1,property2,...)，默认值为List()，表示读取全部属性。
  withLimit	否	配置 NebulaGraph Java Storage Client 一次从服务端读取的数据行数。默认值为 1000。
  withPartitionNum	否	配置读取 NebulaGraph 数据时 Spark 的分区数。默认值为 100。该值的配置最好不超过图空间的的分片数量（partition_num）。

向 NebulaGraph 写入数据

Note

DataFrame 中的列会自动作为属性写入 NebulaGraph。

val config = NebulaConnectionConfig
  .builder()
  .withMetaAddress("127.0.0.1:9559")
  .withGraphAddress("127.0.0.1:9669")
  .withConenctionRetry(2)
  .build()

val nebulaWriteVertexConfig: WriteNebulaVertexConfig = WriteNebulaVertexConfig      
  .builder()
  .withSpace("test")
  .withTag("person")
  .withVidField("id")
  .withVidPolicy("hash")
  .withVidAsProp(true)
  .withUser("root")
  .withPasswd("nebula")
  .withBatch(512)
  .build()    
df.write.nebula(config, nebulaWriteVertexConfig).writeVertices()

val nebulaWriteEdgeConfig: WriteNebulaEdgeConfig = WriteNebulaEdgeConfig      
  .builder()
  .withSpace("test")
  .withEdge("friend")
  .withSrcIdField("src")
  .withSrcPolicy(null)
  .withDstIdField("dst")
  .withDstPolicy(null)
  .withRankField("degree")
  .withSrcAsProperty(true)
  .withDstAsProperty(true)
  .withRankAsProperty(true)
  .withUser("root")
  .withPasswd("nebula")
  .withBatch(512)
  .build()
df.write.nebula(config, nebulaWriteEdgeConfig).writeEdges()

默认写入模式为insert，可以通过withWriteMode配置修改为update：

val config = NebulaConnectionConfig
  .builder()
  .withMetaAddress("127.0.0.1:9559")
  .withGraphAddress("127.0.0.1:9669")
  .build()
val nebulaWriteVertexConfig = WriteNebulaVertexConfig
  .builder()
  .withSpace("test")
  .withTag("person")
  .withVidField("id")
  .withVidAsProp(true)
  .withBatch(512)
  .withWriteMode(WriteMode.UPDATE)
  .build()
df.write.nebula(config, nebulaWriteVertexConfig).writeVertices()

• NebulaConnectionConfig是连接 NebulaGraph 的配置，说明如下。

  参数	是否必须	说明
  withMetaAddress	是	所有 Meta 服务的地址，多个地址用英文逗号（,）隔开，格式为ip1:port1,ip2:port2,...。
  withGraphAddress	是	Graph 服务的地址，多个地址用英文逗号（,）隔开，格式为ip1:port1,ip2:port2,...。
  withConnectionRetry	否	NebulaGraph Java Client 连接 NebulaGraph 的重试次数。默认值为1。

• WriteNebulaVertexConfig是写入点的配置，说明如下。

  参数	是否必须	说明
  withSpace	是	NebulaGraph 图空间名称。
  withTag	是	写入点时需要关联的 Tag 名称。
  withVidField	是	DataFrame 中作为点 ID 的列。
  withVidPolicy	否	写入点 ID 时，采用的映射函数，NebulaGraph 仅支持 HASH。默认不做映射。
  withVidAsProp	否	DataFrame 中作为点 ID 的列是否也作为属性写入。默认值为false。如果配置为true，请确保 Tag 中有和VidField相同的属性名。
  withUser	否	NebulaGraph 用户名。若未开启身份验证，无需配置用户名和密码。
  withPasswd	否	NebulaGraph 用户名对应的密码。
  withBatch	是	一次写入的数据行数，默认值为512。当withWriteMode为update时，该参数的最大值为512。
  withWriteMode	否	写入模式。可选值为insert和update。默认为insert。

• WriteNebulaEdgeConfig是写入边的配置，说明如下。

  参数	是否必须	说明
  withSpace	是	NebulaGraph 图空间名称。
  withEdge	是	写入边时需要关联的 Edge type 名称。
  withSrcIdField	是	DataFrame 中作为起始点的列。
  withSrcPolicy	否	写入起始点时，采用的映射函数，NebulaGraph 仅支持 HASH。默认不做映射。
  withDstIdField	是	DataFrame 中作为目的点的列。
  withDstPolicy	否	写入目的点时，采用的映射函数，NebulaGraph 仅支持 HASH。默认不做映射。
  withRankField	否	DataFrame 中作为 rank 的列。默认不写入 rank。
  withSrcAsProperty	否	DataFrame 中作为起始点的列是否也作为属性写入。默认值为false。如果配置为true，请确保 Edge type 中有和SrcIdField相同的属性名。
  withDstAsProperty	否	DataFrame 中作为目的点的列是否也作为属性写入。默认值为false。如果配置为true，请确保 Edge type 中有和DstIdField相同的属性名。
  withRankAsProperty	否	DataFrame 中作为 rank 的列是否也作为属性写入。默认值为false。如果配置为true，请确保 Edge type 中有和RankField相同的属性名。
  withUser	否	NebulaGraph 用户名。若未开启身份验证，无需配置用户名和密码。
  withPasswd	否	NebulaGraph 用户名对应的密码。
  withBatch	是	一次写入的数据行数，默认值为512。当withWriteMode为update时，该参数的最大值为512。
  withWriteMode	否	写入模式。可选值为insert和update。默认为insert。

使用 PySpark

NebulaGraph Spark Connector 支持 PySpark，使用示例参见 GitHub README。

示例代码

详细的使用方式参见 示例代码。

---

最后更新: February 3, 2023