导入 MaxCompute 数据¶
本文以一个示例说明如何使用 Exchange 将存储在 MaxCompute 上的数据导入 NebulaGraph。
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
- MaxCompute:阿里云官方版本
- NebulaGraph:3.4.3。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 NebulaGraph 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。详情请参见编译 Exchange。本示例中使用 Exchange 3.4.0。
- 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。
操作步骤¶
步骤 1:在 NebulaGraph 中创建 Schema¶
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,请参见快速开始。
步骤 2:修改配置文件¶
编译 Exchange 后,复制target/classes/application.conf
文件设置 MaxCompute 数据源相关的配置。在本示例中,复制的文件名为maxcompute_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: NebulaGraph Exchange 3.4.0
}
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"]
#任意一个 Meta 服务的地址。
#如果您的 NebulaGraph 在虚拟网络中,如k8s,请配置 Leader Meta的地址。
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
{
name: player
type: {
# 指定数据源文件格式,设置为 MaxCompute。
source: maxcompute
# 指定如何将点数据导入 NebulaGraph:Client 或 SST。
sink: client
}
# MaxCompute 的表名
table:player
# MaxCompute 的项目名
project:project
# MaxCompute 服务的 odpsUrl 和 tunnelUrl,
# 地址可在 https://help.aliyun.com/document_detail/34951.html 查看。
odpsUrl:"http://service.cn-hangzhou.maxcompute.aliyun.com/api"
tunnelUrl:"http://dt.cn-hangzhou.maxcompute.aliyun.com"
# MaxCompute 服务的 accessKeyId 和 accessKeySecret。
accessKeyId:xxx
accessKeySecret:xxx
# MaxCompute 表的分区描述,该配置可选。
partitionSpec:"dt='partition1'"
# MaxCompute 的 Spark 连接器在读取 MaxCompute 数据时使用的分区数。默认为1,该配置可选。
numPartitions:100
# 请确保 SQL 语句中的表名和上方 table 的值相同,该配置可选。
sentence:"select id, name, age, playerid from player where id < 10"
# 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:[name, age]
nebula.fields:[name, age]
# 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: maxcompute
sink: client
}
table:team
project:project
odpsUrl:"http://service.cn-hangzhou.maxcompute.aliyun.com/api"
tunnelUrl:"http://dt.cn-hangzhou.maxcompute.aliyun.com"
accessKeyId:xxx
accessKeySecret:xxx
partitionSpec:"dt='partition1'"
sentence:"select id, name, teamid from team where id < 10"
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 MaxCompute。
source:maxcompute
# 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
}
# MaxCompute 的表名
table:follow
# MaxCompute 的项目名
project:project
# MaxCompute 服务的 odpsUrl 和 tunnelUrl,
# 地址可在 https://help.aliyun.com/document_detail/34951.html 查看。
odpsUrl:"http://service.cn-hangzhou.maxcompute.aliyun.com/api"
tunnelUrl:"http://dt.cn-hangzhou.maxcompute.aliyun.com"
# MaxCompute 服务的 accessKeyId 和 accessKeySecret。
accessKeyId:xxx
accessKeySecret:xxx
# MaxCompute 表的分区描述,该配置可选。
partitionSpec:"dt='partition1'"
# 请确保 SQL 语句中的表名和上方 table 的值相同,该配置可选。
sentence:"select * from 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。
source:{
field: src_player
}
# 在 target 里,将 follow 表中某一列作为边的目的点数据源。
target:{
field: dst_player
}
# 指定一个列作为 rank 的源(可选)。
#ranking: rank
# Spark 分区数量
partition:10
# 单批次写入 NebulaGraph 的数据条数。
batch:10
}
# 设置 Edge type serve 相关信息
{
name: serve
type:{
source:maxcompute
sink:client
}
table:serve
project:project
odpsUrl:"http://service.cn-hangzhou.maxcompute.aliyun.com/api"
tunnelUrl:"http://dt.cn-hangzhou.maxcompute.aliyun.com"
accessKeyId:xxx
accessKeySecret:xxx
partitionSpec:"dt='partition1'"
sentence:"select * from 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
partition:10
batch:10
}
]
}
步骤 3:向 NebulaGraph 导入数据¶
运行如下命令将 MaxCompute 数据导入到 NebulaGraph 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-3.4.0.jar_path> -c <maxcompute_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-exchange/nebula-exchange/target/nebula-exchange-3.4.0.jar -c /root/nebula-exchange/nebula-exchange/target/classes/maxcompute_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 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:
LOOKUP ON player YIELD id(vertex);
用户也可以使用命令 SHOW STATS
查看统计数据。
步骤 5:(如有)在 NebulaGraph 中重建索引¶
导入数据后,用户可以在 NebulaGraph 中重新创建并重建索引。详情请参见索引介绍。