NebulaGraph Importer

NebulaGraph Importer（简称 Importer）是一款NebulaGraph的 CSV 文件单机导入工具，可以读取并导入多种数据源的 CSV 文件数据。

功能

• 支持多种数据源，包括本地、S3、OSS、HDFS、FTP、SFTP。
• 支持导入 CSV 格式文件的数据。单个文件内可以包含多种 Tag、多种 Edge type 或者二者混合的数据。
• 支持同时连接多个 Graph 服务进行导入并且动态负载均衡。
• 支持失败后重连、重试。
• 支持多维度显示统计信息，包括导入时间、导入百分比等。统计信息支持打印在 Console 或日志中。

优势

• 轻量快捷：不需要复杂环境即可使用，快速导入数据。

• 灵活筛选：通过配置文件可以实现对 CSV 文件数据的灵活筛选。

更新说明

Release notes

前提条件

在使用 NebulaGraph Importer 之前，请确保：

• 已部署NebulaGraph服务。部署方式如下：

  • RPM/DEB 包安装
  • Docker Compose 部署
  • 源码编译安装

• NebulaGraph中已创建 Schema，包括图空间、Tag 和 Edge type，或者通过参数manager.hooks.before.statements设置。

操作步骤

创建 CSV 文件

准备好待导入的 CSV 文件并配置 YAML 文件，即可使用本工具向NebulaGraph批量导入数据。

Note

YAML 配置文件说明请参见下文的配置文件说明。

下载二进制包运行

1. 在 Release 页面下载和安装二进制包，并添加执行权限。

   Note

   使用 RPM/DEB 包安装的文件路径为/usr/bin/nebula-importer。

2. 在nebula-importer的安装目录下，执行以下命令导入数据。

   $ ./<binary_file_name> --config <yaml_config_file_path>
   

源码编译运行

编译源码需要部署 Golang 环境。详情请参见 Golang 环境搭建。

1. 克隆仓库。

   $ git clone -b release-4.0 https://github.com/vesoft-inc/nebula-importer.git
   

   Note

   请使用正确的分支。不同分支的 rpc 协议不同。

2. 进入目录nebula-importer。

   $ cd nebula-importer
   

3. 编译源码。

   $ make build
   

4. 开始导入数据。

   $ ./bin/nebula-importer --config <yaml_config_file_path>
   

Docker 方式运行

使用 Docker 可以不必在本地安装 Go 语言环境，只需要拉取 NebulaGraph Importer 的镜像，并将本地配置文件和 CSV 数据文件挂载到容器中。命令如下：

$ docker pull vesoft/nebula-importer:<version>
$ docker run --rm -ti \
      --network=host \
      -v <config_file>:<config_file> \
      -v <data_dir>:<data_dir> \
      vesoft/nebula-importer:<version> \
      --config <config_file>

• <config_file>：填写 YAML 配置文件的绝对路径。
• <data_dir>：填写 CSV 数据文件的绝对路径。如果文件不在本地，请忽略该参数。
• <version>：填写 Importer 的版本号，请填写v4。

Note

建议使用相对路径。如果使用本地绝对路径，请检查路径映射到 Docker 中的路径。

例如：

$ docker pull vesoft/nebula-importer:v4
$ docker run --rm -ti \
      --network=host \
      -v /home/user/config.yaml:/home/user/config.yaml \
      -v /home/user/data:/home/user/data \
      vesoft/nebula-importer:v4 \
      --config /home/user/config.yaml

配置文件说明

NebulaGraph Importer 的 Github 内提供多种示例配置文件。配置文件用来描述待导入文件信息、NebulaGraph服务器信息等。下文将分类介绍配置文件内的字段。

Note

如果用户下载的是二进制包，请手动创建配置文件。

Client 配置

Client 配置存储客户端连接NebulaGraph相关的配置。

示例配置如下：

client:
  version: v3
  address: "192.168.1.100:9669,192.168.1.101:9669"
  user: root
  password: nebula
  concurrencyPerAddress: 10
  reconnectInitialInterval: 1s
  retry: 3
  retryInitialInterval: 1s

参数	默认值	是否必须	说明
client.version	v3	是	指定连接的NebulaGraph的大版本。当前仅支持v3。
client.address	"127.0.0.1:9669"	是	指定连接的NebulaGraph地址。多个地址用英文逗号（,）分隔。
client.user	root	否	NebulaGraph的用户名。
client.password	nebula	否	NebulaGraph用户名对应的密码。
client.concurrencyPerAddress	10	否	单个 Graph 服务的客户端并发连接数。
client.retryInitialInterval	1s	否	重连间隔时间。
client.retry	3	否	nGQL 语句执行失败的重试次数。
client.retryInitialInterval	1s	否	重试间隔时间。

Manager 配置

Manager 配置是连接数据库后的人为控制配置。

示例配置如下：

manager:
  spaceName: basic_string_examples
  batch: 128
  readerConcurrency: 50
  importerConcurrency: 512
  statsInterval: 10s
  hooks:
    before:
      - statements:
        - |
            DROP SPACE IF EXISTS basic_string_examples;
            CREATE SPACE IF NOT EXISTS basic_string_examples(partition_num=5, replica_factor=1, vid_type=int);
            USE basic_string_examples;
        wait: 10s
    after:
      - statements:
          - |
            SHOW SPACES;

参数	默认值	是否必须	说明
manager.spaceName	-	是	指定数据要导入的图空间。不支持同时导入多个图空间。
manager.batch	128	否	执行语句的批处理量（全局配置）。 对某个数据源单独设置批处理量可以使用下文的sources.batch。
manager.readerConcurrency	50	否	读取器读取数据源的并发数。
manager.importerConcurrency	512	否	生成待执行的 nGQL 语句的并发数，然后会调用客户端执行这些语句。
manager.statsInterval	10s	否	打印统计信息的时间间隔。
manager.hooks.before.[].statements	-	否	导入前在图空间内执行的命令。
manager.hooks.before.[].wait	-	否	执行statements语句后的等待时间。
manager.hooks.after.[].statements	-	否	导入后在图空间内执行的命令。
manager.hooks.after.[].wait	-	否	执行statements语句后的等待时间。

Log 配置

Log 配置是设置日志相关配置。

示例配置如下：

log:
  level: INFO
  console: true
  files:
   - logs/nebula-importer.log   

参数	默认值	是否必须	说明
log.level	INFO	否	日志级别。可选值为DEBUG、INFO、WARN、ERROR、PANIC、FATAL。
log.console	true	否	存储日志时是否将日志同步打印到 Console。
log.files	-	否	日志文件路径。需手动创建日志文件目录。

Source 配置

Source 配置中需要配置数据源信息、数据处理方式和 Schema 映射。

示例配置如下：

sources:
  - path: ./person.csv  # 指定存储数据文件的路径。如果使用相对路径，则路径和当前配置文件目录拼接。也支持通配符文件名，例如：./follower-*.csv，请确保所有匹配的文件具有相同的架构。
#  - s3: # AWS S3
#      endpoint: endpoint    # 可选。S3 服务端点，如果使用 AWS S3 可以省略。
#      region: us-east-1     # 必填。S3 服务的区域。
#      bucket: gdelt-open-data    # 必填。S3 服务中的 bucket。
#      key: events/20190918.export.csv     # 必填。S3 服务中文件的 key。
#      accessKeyID: ""    # 可选。S3 服务的访问密钥。如果是公共数据，则无需配置。
#      accessKeySecret: ""     # 可选。S3 服务的密钥。如果是公共数据，则无需配置。
#  - oss:
#      endpoint: https://oss-cn-hangzhou.aliyuncs.com    # 必填。OSS 服务端点。
#      bucket: bucketName    # 必填。OSS 服务中的 bucket。
#      key: objectKey    # 必填。OSS 服务中文件的 object key。
#      accessKeyID: accessKey    # 必填。OSS 服务的访问密钥。
#      accessKeySecret: secretKey    # 必填。OSS 服务的秘钥。
#  - ftp:
#      host: 192.168.0.10    # 必填。FTP 服务的主机。
#      port: 21    # 必填。FTP 服务的端口。
#      user: user    # 必填。FTP 服务的用户名。
#      password: password    # 必填。FTP 服务的密码。
#      path: "/events/20190918.export.csv"    # FTP 服务中文件的路径。
#  - sftp:
#      host: 192.168.0.10    # 必填。SFTP 服务的主机。
#      port: 22    # 必填。SFTP 服务的端口。
#      user: user    # 必填。SFTP 服务的用户名。
#      password: password    # 可选。SFTP 服务的密码。
#      keyFile: keyFile    # 可选。SFTP 服务的 SSH 密钥文件路径。
#      keyData: keyData    $ 可选。SFTP 服务的 SSH 密钥文件内容。
#      passphrase: passphrase    # 可选。SFTP 服务的 SSH 密钥密码。
#      path: "/events/20190918.export.csv"    # 必填。SFTP 服务中文件的路径。
#  - hdfs:
#      address: "127.0.0.1:8020"    # 必填。HDFS 服务的地址。
#      user: "hdfs"    # 可选。HDFS 服务的用户名。
#      path: "/events/20190918.export.csv"    # 必填。HDFS 服务中文件的路径。
    batch: 256
    csv:
      delimiter: "|"
      withHeader: false
      lazyQuotes: false
    tags:
    - name: Person
      id:
        type: "STRING"
        function: "hash"
#       index: 0        
        concatItems:
          - person_
          - 0
          - _id
      props:
        - name: "firstName"
          type: "STRING"
          index: 1
        - name: "lastName"
          type: "STRING"
          index: 2
        - name: "gender"
          type: "STRING"
          index: 3
          nullable: true
          defaultValue: female
        - name: "birthday"
          type: "DATE"
          index: 4
          nullable: true
          nullValue: _NULL_
        - name: "creationDate"
          type: "DATETIME"
          index: 5
        - name: "locationIP"
          type: "STRING"
          index: 6
        - name: "browserUsed"
          type: "STRING"
          index: 7
  - path: ./knows.csv
    batch: 256
    edges:
    - name: KNOWS # person_knows_person
      src:
        id:
          type: "STRING"
          concatItems:
            - person_
            - 0
            - _id
      dst:
        id:
          type: "STRING"
          concatItems:
            - person_
            - 1
            - _id
      props:
        - name: "creationDate"
          type: "DATETIME"
          index: 2
          nullable: true
          nullValue: _NULL_
          defaultValue: 0000-00-00T00:00:00

配置主要包括以下几个部分：

• 指定数据源信息。
• 指定执行语句的批处理量。
• 指定 CSV 文件格式信息。
• 指定 Tag 的模式映射。
• 指定 Edge type 的模式映射。

参数	默认值	是否必须	说明
sources.path sources.s3 sources.oss sources.ftp sources.sftp sources.hdfs	-	否	指定数据源信息，例如本地文件、HDFS、S3 等。一个source只能配置一种数据源，配置多个数据源请在多个source内配置。 不同数据源的配置项说明请参见示例内的注释。
sources.batch	256	否	导入该数据源时执行语句的批处理量。优先级高于manager.batch。
sources.csv.delimiter	,	否	CSV 文件的分隔符。仅支持 1 个字符的字符串分隔符。特殊字符做分隔符时应使用对应的转义序列来表示，并包裹在双引号内进行转义。例如，制表符\t应写为"\t"，而不是'\t'；十六进制的0x03 (Ctrl+C) 应写为"\x03"或"\u0003"。关于 yaml 格式特殊字符转义的细节请参见Escaped Characters。
sources.csv.withHeader	false	否	是否忽略 CSV 文件中的第一条记录。
sources.csv.lazyQuotes	false	否	是否允许惰性解析引号。如果值为true，引号可以出现在非引号字段中，非双引号可以出现在引号字段中，而不会引发解析错误。
sources.tags.name	-	是	Tag 名称。
sources.tags.id.type	STRING	否	VID 的类型。
sources.tags.id.function	-	否	生成 VID 的函数。目前仅支持hash。
sources.tags.id.index	-	否	VID 对应的数据文件中的列号。如果未配置sources.tags.id.concatItems，该参数必须配置。
sources.tags.id.concatItems	-	否	用于连接两个或多个数组，连接项可以是string、int或者混合。string代表常量，int表示索引列。如果设置了该参数，sources.tags.id.index参数将不生效。
sources.tags.ignoreExistedIndex	true	否	是否启用IGNORE_EXISTED_INDEX，即插入点后不更新索引。
sources.tags.props.name	-	是	VID 上的属性名称，必须与数据库中的属性相同。
sources.tags.props.type	STRING	否	VID 上属性的数据类型。目前支持BOOL、INT、FLOAT、DOUBLE、STRING、TIME、TIMESTAMP、DATE、DATETIME、GEOGRAPHY、GEOGRAPHY(POINT)、GEOGRAPHY(LINESTRING)、GEOGRAPHY(POLYGON)。
sources.tags.props.index	-	是	属性值对应的数据文件中的列号。
sources.tags.props.nullable	false	否	属性是否可以为NULL，可选true或者false。
sources.tags.props.nullValue	-	否	nullable设置为true时，属性的值与nullValue相等则将该属性值设置为NULL。
sources.tags.props.alternativeIndices	-	否	当nullable为false时忽略。该属性根据索引顺序从文件中获取，直到不等于nullValue。
sources.tags.props.defaultValue	-	否	当nullable为false时忽略。根据index和alternativeIndices获取的所有值为nullValue时设置默认值。
sources.edges.name	-	是	Edge type 名称。
sources.edges.src.id.type	STRING	否	边上起点 VID 的数据类型。
sources.edges.src.id.index	-	是	边上起点 VID 对应的数据文件中的列号。
sources.edges.dst.id.type	STRING	否	边上终点 VID 的数据类型。
sources.edges.dst.id.index	-	是	边上终点 VID 对应的数据文件中的列号。
sources.edges.rank.index	-	否	边上 RANK 对应的数据文件中的列号。
sources.edges.ignoreExistedIndex	true	否	是否启用IGNORE_EXISTED_INDEX，即插入点后不更新索引。
sources.edges.props.name	-	是	边上属性的名称，必须与数据库中的属性相同。
sources.edges.props.type	STRING	否	边上属性的数据类型。目前支持BOOL、INT、FLOAT、DOUBLE、STRING、TIME、TIMESTAMP、DATE、DATETIME、GEOGRAPHY、GEOGRAPHY(POINT)、GEOGRAPHY(LINESTRING)、GEOGRAPHY(POLYGON)。
sources.edges.props.index	-	是	属性值对应的数据文件中的列号。
sources.edges.props.nullable	-	否	属性是否可以为NULL，可选true或者false。
sources.edges.props.nullValue	-	否	nullable设置为true时，属性的值与nullValue相等则将该属性值设置为NULL。
sources.edges.props.defaultValue	-	否	当nullable为false时忽略。根据index和alternativeIndices获取的所有值为nullValue时设置默认值。

Note

CSV 文件中列的序号从 0 开始，即第一列的序号为 0，第二列的序号为 1。

---

最后更新: October 12, 2023