导入 HBase 数据¶
本文以一个示例说明如何使用 Exchange 将存储在 HBase 上的数据导入 NebulaGraph 。
数据集¶
本文以 basketballplayer 数据集为例。
在本示例中,该数据集已经存入 HBase 中,以player
、team
、follow
和serve
四个表存储了所有点和边的信息。以下为各个表的部分数据。
hbase(main):002:0> scan "player"
ROW COLUMN+CELL
player100 column=cf:age, timestamp=1618881347530, value=42
player100 column=cf:name, timestamp=1618881354604, value=Tim Duncan
player101 column=cf:age, timestamp=1618881369124, value=36
player101 column=cf:name, timestamp=1618881379102, value=Tony Parker
player102 column=cf:age, timestamp=1618881386987, value=33
player102 column=cf:name, timestamp=1618881393370, value=LaMarcus Aldridge
player103 column=cf:age, timestamp=1618881402002, value=32
player103 column=cf:name, timestamp=1618881407882, value=Rudy Gay
...
hbase(main):003:0> scan "team"
ROW COLUMN+CELL
team200 column=cf:name, timestamp=1618881445563, value=Warriors
team201 column=cf:name, timestamp=1618881453636, value=Nuggets
...
hbase(main):004:0> scan "follow"
ROW COLUMN+CELL
player100 column=cf:degree, timestamp=1618881804853, value=95
player100 column=cf:dst_player, timestamp=1618881791522, value=player101
player101 column=cf:degree, timestamp=1618881824685, value=90
player101 column=cf:dst_player, timestamp=1618881816042, value=player102
...
hbase(main):005:0> scan "serve"
ROW COLUMN+CELL
player100 column=cf:end_year, timestamp=1618881899333, value=2016
player100 column=cf:start_year, timestamp=1618881890117, value=1997
player100 column=cf:teamid, timestamp=1618881875739, value=team204
...
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
- HBase:2.2.7
- NebulaGraph :3.6.0。
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 3.6.1。
- 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。
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 HBase 数据源相关的配置。在本示例中,复制的文件名为hbase_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 3.6.1
}
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"]
#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。
# 如果需要将 rowkey 设置为数据源,请填写“rowkey”, 列族内的列请填写实际列名。
{
# NebulaGraph 中对应的 Tag 名称。
name: player
type: {
# 指定数据源文件格式,设置为 HBase。
source: hbase
# 指定如何将点数据导入 NebulaGraph :Client 或 SST。
sink: client
}
host:192.168.*.*
port:2181
table:"player"
columnFamily:"cf"
# 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。
# 例如 rowkey 作为 VID 的来源,请填写“rowkey”。
vertex:{
field:rowkey
# udf:{
# separator:"_"
# oldColNames:[field-0,field-1,field-2]
# newColName:new-field
# }
# 为 VID 增加指定的前缀。例如 VID 为 12345,增加前缀 tag1 后为 tag1_12345。下划线无法修改。
# prefix:"tag1"
# 对 string 类型的 VID 进行哈希化操作。
# policy:hash
}
# 批量操作类型,包括 INSERT、UPDATE 和 DELETE。默认为 INSERT。
#writeMode: INSERT
# 批量删除时是否删除该点关联的出边和入边。`writeMode`为`DELETE`时该参数生效。
#deleteEdge: false
# 单批次写入 NebulaGraph 的数据条数。
batch: 256
# 数据写入 NebulaGraph 时需要创建的分区数。
partition: 32
}
# 设置 Tag team 相关信息。
{
name: team
type: {
source: hbase
sink: client
}
host:192.168.*.*
port:2181
table:"team"
columnFamily:"cf"
fields: [name]
nebula.fields: [name]
vertex:{
field:rowkey
}
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 HBase。
source: hbase
# 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
}
host:192.168.*.*
port:2181
table:"follow"
columnFamily:"cf"
# 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。示例使用 rowkey。
# 在 target 里,将 follow 表中某一列作为边的目的点数据源。示例使用列 dst_player。
source:{
field:rowkey
# udf:{
# separator:"_"
# oldColNames:[field-0,field-1,field-2]
# newColName:new-field
# }
# 为 VID 增加指定的前缀。例如 VID 为 12345,增加前缀 tag1 后为 tag1_12345。下划线无法修改。
# prefix:"tag1"
# 对 string 类型的 VID 进行哈希化操作。
# policy:hash
}
target:{
field:dst_player
# udf:{
# separator:"_"
# oldColNames:[field-0,field-1,field-2]
# newColName:new-field
# }
# 为 VID 增加指定的前缀。例如 VID 为 12345,增加前缀 tag1 后为 tag1_12345。下划线无法修改。
# prefix:"tag1"
# 对 string 类型的 VID 进行哈希化操作。
# policy:hash
}
# 指定一个列作为 rank 的源(可选)。
#ranking: rank
# 批量操作类型,包括 INSERT、UPDATE 和 DELETE。默认为 INSERT。
#writeMode: INSERT
# 单批次写入 NebulaGraph 的数据条数。
batch: 256
# 数据写入 NebulaGraph 时需要创建的分区数。
partition: 32
}
# 设置 Edge type serve 相关信息
{
name: serve
type: {
source: hbase
sink: client
}
host:192.168.*.*
port:2181
table:"serve"
columnFamily:"cf"
fields: [start_year,end_year]
nebula.fields: [start_year,end_year]
source:{
field:rowkey
}
target:{
field:teamid
}
# 指定一个列作为 rank 的源(可选)。
#ranking: rank
batch: 256
partition: 32
}
]
}
步骤 3:向 NebulaGraph 导入数据¶
运行如下命令将 HBase 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-3.6.1.jar_path> -c <hbase_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-3.6.1.jar -c /root/nebula-exchange/nebula-exchange/target/classes/hbase_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。