导入Pulsar数据

本文简单说明如何使用Exchange将存储在Pulsar上的数据导入Nebula Graph。

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

  • Nebula Graph：2.5.1。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Nebula 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Nebula Graph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 2.5.1。

  • 已经安装Spark。

  • 了解Nebula Graph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Pulsar服务。

操作步骤

步骤 1：在Nebula Graph中创建Schema

分析数据，按以下步骤在Nebula Graph中创建Schema：

  1. 确认Schema要素。Nebula Graph中的Schema要素如下表所示。

    要素名称属性
    Tagplayername string, age int
    Tagteamname string
    Edge Typefollowdegree int
    Edge Typeservestart_year int, end_year int

  2. 在Nebula Graph中创建一个图空间basketballplayer，并创建一个Schema，如下所示。

    1. ## 创建图空间
    2. nebula> CREATE SPACE basketballplayer \
    3.         (partition_num = 10, \
    4.         replica_factor = 1, \
    5.         vid_type = FIXED_STRING(30));
    7. ## 选择图空间basketballplayer
    8. nebula> USE basketballplayer;
    10. ## 创建Tag player
    11. nebula> CREATE TAG player(name string, age int);
    13. ## 创建Tag team
    14. nebula> CREATE TAG team(name string);
    16. ## 创建Edge type follow
    17. nebula> CREATE EDGE follow(degree int);
    19. ## 创建Edge type serve
    20. 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Pulsar数据源相关的配置。在本示例中，复制的文件名为pulsar_application.conf。各个配置项的详细说明请参见配置说明。

  1. {
  2.   # Spark相关配置
  3.   spark: {
  4.     app: {
  5.       name: Nebula Exchange 2.5.1
  6.     }
  7.     driver: {
  8.       cores: 1
  9.       maxResultSize: 1G
  10.     }
  11.     cores {
  12.       max: 16
  13.     }
  14.   }
  17.   # Nebula Graph相关配置
  18.   nebula: {
  19.     address:{
  20.       # 以下为Nebula Graph的Graph服务和Meta服务所在机器的IP地址及端口。
  21.       # 如果有多个地址，格式为 "ip1:port","ip2:port","ip3:port"。
  22.       # 不同地址之间以英文逗号 (,) 隔开。
  23.       graph:["127.0.0.1:9669"]
  24.       meta:["127.0.0.1:9559"]
  25.     }
  26.     # 填写的账号必须拥有Nebula Graph相应图空间的写数据权限。
  27.     user: root
  28.     pswd: nebula
  29.     # 填写Nebula Graph中需要写入数据的图空间名称。
  30.     space: basketballplayer
  31.     connection {
  32.       timeout: 3000
  33.       retry: 3
  34.     }
  35.     execution {
  36.       retry: 3
  37.     }
  38.     error: {
  39.       max: 32
  40.       output: /tmp/errors
  41.     }
  42.     rate: {
  43.       limit: 1024
  44.       timeout: 1000
  45.     }
  46.   }
  47.   # 处理点
  48.   tags: [
  49.     # 设置Tag player相关信息。
  50.     {
  51.       # Nebula Graph中对应的Tag 名称。
  52.       name: player
  53.       type: {
  54.         # 指定数据源文件格式，设置为Pulsar。
  55.         source: pulsar
  56.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  57.         sink: client
  58.       }
  59.       # Pulsar服务器地址。
  60.       service: "pulsar://127.0.0.1:6650"
  61.       # 连接pulsar的admin.url。
  62.       admin: "http://127.0.0.1:8081"
  63.       # Pulsar的选项，可以从topic、topics和topicsPattern选择一个进行配置。
  64.       options: {
  65.         topics: "topic1,topic2"
  66.       }
  68.       # 在fields里指定player表中的列名称，其对应的value会作为Nebula Graph中指定属性。
  69.       # fields和nebula.fields里的配置必须一一对应。
  70.       # 如果需要指定多个列名称，用英文逗号（,）隔开。
  71.       fields: [age,name]
  72.       nebula.fields: [age,name]
  74.       # 指定表中某一列数据为Nebula Graph中点VID的来源。
  75.       vertex:{
  76.           field:playerid
  77.       }
  80.       # 单批次写入 Nebula Graph 的数据条数。
  81.       batch: 10
  83.       # Spark 分区数量
  84.       partition: 10
  85.       # 读取消息的间隔。单位：秒。
  86.       interval.seconds: 10
  87.     }
  88.     # 设置Tag team相关信息。
  89.     {
  90.       name: team
  91.       type: {
  92.         source: pulsar
  93.         sink: client
  94.       }
  95.       service: "pulsar://127.0.0.1:6650"
  96.       admin: "http://127.0.0.1:8081"
  97.       options: {
  98.         topics: "topic1,topic2"
  99.       }
  100.       fields: [name]
  101.       nebula.fields: [name]
  102.       vertex:{
  103.           field:teamid
  104.       }
  105.       batch: 10
  106.       partition: 10
  107.       interval.seconds: 10
  108.     }
  110.   ]
  112.   # 处理边数据
  113.   edges: [
  114.     # 设置Edge type follow相关信息
  115.     {
  116.       # Nebula Graph中对应的Edge type名称。
  117.       name: follow
  119.       type: {
  120.         # 指定数据源文件格式，设置为Pulsar。
  121.         source: pulsar
  123.         # 指定边数据导入Nebula Graph的方式，
  124.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  125.         sink: client
  126.       }
  128.       # Pulsar服务器地址。
  129.       service: "pulsar://127.0.0.1:6650"
  130.       # 连接pulsar的admin.url。
  131.       admin: "http://127.0.0.1:8081"
  132.       # Pulsar的选项，可以从topic、topics和topicsPattern选择一个进行配置。
  133.       options: {
  134.         topics: "topic1,topic2"
  135.       }
  137.       # 在fields里指定follow表中的列名称，其对应的value会作为Nebula Graph中指定属性。
  138.       # fields和nebula.fields里的配置必须一一对应。
  139.       # 如果需要指定多个列名称，用英文逗号（,）隔开。
  140.       fields: [degree]
  141.       nebula.fields: [degree]
  143.       # 在source里，将follow表中某一列作为边的起始点数据源。
  144.       # 在target里，将follow表中某一列作为边的目的点数据源。
  145.       source:{
  146.           field:src_player
  147.       }
  150.       target:{
  151.           field:dst_player
  152.       }
  155.       # 单批次写入 Nebula Graph 的数据条数。
  156.       batch: 10
  158.       # Spark 分区数量
  159.       partition: 10
  161.       # 读取消息的间隔。单位：秒。
  162.       interval.seconds: 10
  163.     }
  165.     # 设置Edge type serve相关信息
  166.     {
  167.       name: serve
  168.       type: {
  169.         source: Pulsar
  170.         sink: client
  171.       }
  172.       service: "pulsar://127.0.0.1:6650"
  173.       admin: "http://127.0.0.1:8081"
  174.       options: {
  175.         topics: "topic1,topic2"
  176.       }
  178.       fields: [start_year,end_year]
  179.       nebula.fields: [start_year,end_year]
  180.       source:{
  181.           field:playerid
  182.       }
  184.       target:{
  185.           field:teamid
  186.       }
  188.       batch: 10
  189.       partition: 10
  190.       interval.seconds: 10
  191.     }
  192.   ]
  193. }

步骤 3：向Nebula Graph导入数据

运行如下命令将Pulsar数据导入到Nebula Graph中。关于参数的说明，请参见导入命令参数。

  1. ${SPARK_HOME}/bin/spark-submit --master "local" --class com.vesoft.nebula.exchange.Exchange <nebula-exchange-2.5.1.jar_path> -c <pulsar_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：

  1. ${SPARK_HOME}/bin/spark-submit  --master "local" --class com.vesoft.nebula.exchange.Exchange  /root/nebula-spark-utils/nebula-exchange/target/nebula-exchange-2.5.1.jar  -c /root/nebula-spark-utils/nebula-exchange/target/classes/pulsar_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Nebula Graph客户端（例如Nebula Graph Studio）中执行查询语句，确认数据是否已导入。例如：

  1. GO FROM "player100" OVER follow;

用户也可以使用命令SHOW STATS查看统计数据。

步骤 5：（如有）在Nebula Graph中重建索引

导入数据后，用户可以在Nebula Graph中重新创建并重建索引。详情请参见索引介绍。

最后更新: August 11, 2021