导入 JSON 文件数据

本文以一个示例说明如何使用 Exchange 将存储在 HDFS 上的 JSON 文件数据导入 Nebula Graph。

数据集

本示例所用 JSON 文件（test.json）结构为：{"source":int, "target":int, "likeness":double}，表示 source 与 target 之间一种 like 关系。共计 21,645 条数据。

以下为部分示例数据：

  1. {"source":53802643,"target":87847387,"likeness":0.34}
  2. {"source":29509860,"target":57501950,"likeness":0.40}
  3. {"source":97319348,"target":50240344,"likeness":0.77}
  4. {"source":94295709,"target":8189720,"likeness":0.82}
  5. {"source":78707720,"target":53874070,"likeness":0.98}
  6. {"source":23399562,"target":20136097,"likeness":0.47}

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：2.3.0，单机版

  • Hadoop：2.9.2，伪分布式部署

  • Nebula Graph：V1.1.0，使用 Docker Compose 部署。详细信息，参考 使用 Docker Compose 部署 Nebula Graph

前提条件

开始迁移数据之前，您需要确认以下信息：

  • 已经完成 Exchange 编译。详细信息，参考 编译 Exchange。本示例中使用 Exchange v1.0.1。

  • 已经安装 Spark。

  • 已经安装并开启 Hadoop 服务。

  • 已经部署并启动 Nebula Graph，并获取：

    • Graph 服务、Meta 服务所在机器的 IP 地址和端口信息。
    • Nebula Graph 数据库的拥有写权限的用户名及其密码。

  • 在 Nebula Graph 中创建图数据模式（Schema）所需的所有信息，包括标签和边类型的名称、属性等。

操作步骤

步骤 1. 在 Nebula Graph 中创建 Schema

分析 JSON 文件中的数据，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
    标签（Tag）sourcesrcId int
    标签（Tag）targetdstId int
    边类型（Edge Type）likelikeness double

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

    1. -- 创建图空间
    2. CREATE SPACE json (partition_num=10, replica_factor=1);
    4. -- 选择图空间 json
    5. USE json;
    7. -- 创建标签 source
    8. CREATE TAG source (srcId int);
    10. -- 创建标签 target
    11. CREATE TAG target (dstId int);
    13. -- 创建边类型 like
    14. CREATE EDGE like (likeness double);

关于 Nebula Graph 构图的更多信息，参考《Nebula Graph Database 手册》的 快速开始。

步骤 2. 处理 JSON 文件

分别创建点和边数据 JSON 文件。同时，JSON 文件必须存储在 HDFS 里，并获取文件存储路径。

说明：本示例中仅使用一个 JSON 文件同时写入点和边数据，其中，表示 source 和 target 的部分点数据是重复的，所以，在写入数据时，这些点会被重复写入。向 Nebula Graph 插入点或边时，允许重复插入，但是最后读取时以最后一次写入的数据为准，所以，并不影响使用。在实际使用时，最好分别创建点和边数据文件，提高数据写入速度。

步骤 3. 修改配置文件

完成 Exchange 编译后，进入 nebula-java/tools/exchange 目录，根据 target/classes/application.conf 文件修改 果断 数据源相关的配置文件。在本示例中，文件被重命名为 json_application.conf。以下配置文件中提供了 JSON 源数据所有配置项。本次示例中未使用的配置项已被注释，但是提供了配置说明。Spark 和 Nebula Graph 相关配置，参考 Spark 参数和 Nebula Graph 参数。

  1. {
  2.   # Spark 相关配置
  3.   spark: {
  4.     app: {
  5.       name: Spark Writer
  6.     }
  8.     driver: {
  9.       cores: 1
  10.       maxResultSize: 1G
  11.     }
  13.     cores {
  14.       max: 16
  15.     }
  16.   }
  18.   # Nebula Graph 相关配置
  19.   nebula: {
  20.     address:{
  21.       # 以下为 Nebula Graph 的 Graph 服务和 Meta 服务所在机器的 IP 地址及端口
  22.       # 如果有多个地址，格式为 "ip1:port","ip2:port","ip3:port"
  23.       # 不同地址之间以英文逗号 (,) 隔开
  24.       graph:["127.0.0.1:3699"]
  25.       meta:["127.0.0.1:45500"]
  26.     }
  27.     # 填写的账号必须拥有 Nebula Graph 相应图空间的写数据权限
  28.     user: user
  29.     pswd: password
  31.     # 填写 Nebula Graph 中需要写入数据的图空间名称
  32.     space: json
  34.     connection {
  35.       timeout: 3000
  36.       retry: 3
  37.     }
  39.     execution {
  40.       retry: 3
  41.     }
  43.     error: {
  44.       max: 32
  45.       output: /tmp/errors
  46.     }
  48.     rate: {
  49.       limit: 1024
  50.       timeout: 1000
  51.     }
  52.   }
  54.   # 处理标签
  55.   tags: [
  56.     # 设置标签 source 相关信息
  57.     {
  58.       # 设置为 Nebula Graph 中对应的标签名称
  59.       name: source
  60.       type: {
  61.         # 指定数据源文件格式，设置为 json。
  62.         source: json
  64.         # 指定标签数据导入 Nebula Graph 的方式，
  65.         # 可以设置为：client（以客户端形式导入）和 sst（以 SST 文件格式导入）。
  66.         # 关于 SST 文件导入配置，参考文档：导入 SST 文件。
  67.         sink: client
  68.       }
  70.       # JSON 文件所在的 HDFS 路径，String 类型，必须以 hdfs:// 开头。
  71.       path: "hdfs://namenode_ip:port/path/to/test.json"
  73.       # 在 fields 里指定 JSON 文件中 key 名称，其对应的 value
  74.       # 会作为 Nebula Graph 中指定属性 srcId 的数据源
  75.       # 如果需要指定多个值，用英文逗号（,）隔开
  76.       fields: ["source"]
  77.       nebula.fields: ["srcId"]
  79.       # 将 JSON 文件中某个 key 对应的值作为 Nebula Graph 中点 VID 的来源
  80.       # 如果 VID 源数据不是 int 类型，则使用以下内容来代替 vertex 的设置，在其中指定 VID 映射策略，建议设置为 "hash"。
  81.       # vertex: {
  82.       #   field: key_name_in_json
  83.       #   policy: "hash"
  84.       # }
  85.       vertex: source
  87.       batch: 256
  88.       partition: 32
  90.       # isImplicit 设置说明，详见 https://github.com/vesoft-inc/
  91.       # nebula-java/blob/v1.0/tools/exchange/src/main/resources/
  92.       # application.conf
  93.       isImplicit: true
  94.     }
  95.     # 设置标签 target 相关信息
  96.     {
  97.       name: target
  98.       type: {
  99.         source: json
  100.         sink: client
  101.       }
  102.       path: "hdfs://namenode_ip:port/path/to/test.json"
  103.       fields: ["target"]
  104.       nebula.fields: ["dstId"]
  105.       vertex: "target"
  106.       batch: 256
  107.       partition: 32
  108.       isImplicit: true
  109.     }
  110.   # 如果还有其他标签，参考以上配置添加
  111.   ]
  113.   # 处理边数据
  114.   edges: [
  115.     # 设置边类型 like 相关信息
  116.     {
  117.       # Nebula Graph 中对应的边类型名称。
  118.       name: like
  119.       type: {
  120.         # 指定数据源文件格式，设置为 json。
  121.         source: json
  123.         # 指定边数据导入 Nebula Graph 的方式，
  124.         # 可以设置为：client（以客户端形式导入）和 sst（以 SST 文件格式导入）。
  125.         # 关于 SST 文件导入配置，参考文档：导入 SST 文件（https://
  126.         # docs.nebula-graph.com.cn/nebula-exchange/
  127.         # use-exchange/ex-ug-import-sst/）。
  128.         sink: client
  129.       }
  131.       # 指定 JSON 文件所在的 HDFS 路径，String 类型，必须以 hdfs:// 开头。
  132.       path: "hdfs://namenode_ip:port/path/to/test.json"
  134.       # 在 fields 里指定 JSON 文件中 key 名称，其对应的 value
  135.       # 会作为 Nebula Graph 中指定属性 likeness 的数据源
  136.       # 如果需要指定多个值，用英文逗号（,）隔开
  137.       fields: ["likeness"]
  138.       nebula.fields: ["likeness"]
  140.       # 将 JSON 文件中某两个 key 对应的值作为 Nebula Graph 中边起点和边终点 VID 的来源
  141.       # 如果 VID 源数据不是 int 类型，则使用以下内容来代替 source 
  142.       # 和/或 target 的设置，在其中指定 VID 映射策略，建议设置为 "hash"。
  143.       # source: {
  144.       #   field: key_name_in_json
  145.       #   policy: "hash"
  146.       # }
  147.       # target: {
  148.       #   field: key_name_in_json
  149.       #   policy: "hash"
  150.       # }
  151.       source: "source"
  152.       target: "target"
  154.       batch: 256
  155.       partition: 32
  156.       isImplicit: true
  157.     }
  158.     # 如果还有其他边类型，参考以上配置添加
  159.   ]
  160. }

步骤 4. （可选）检查配置文件是否正确

完成配置后，运行以下命令检查配置文件格式是否正确。关于参数的说明，参考 导入命令参数。

  1. $SPARK_HOME/bin/spark-submit --master "local" --class com.vesoft.nebula.tools.importer.Exchange /path/to/exchange-1.0.1.jar -c /path/to/conf/json_application.conf -D

步骤 5. 向 Nebula Graph 导入数据

运行以下命令将 JSON 文件数据导入 Nebula Graph 中。关于参数的说明，参考 导入命令参数。

  1. $SPARK_HOME/bin/spark-submit --master "local" --class com.vesoft.nebula.tools.importer.Exchange /path/to/exchange-1.0.1.jar -c /path/to/conf/json_application.conf

步骤 6. （可选）验证数据

您可以在 Nebula Graph 客户端（例如 Nebula Graph Studio）里执行语句，确认数据是否已导入，例如：

  1. GO FROM 53802643 OVER like;

如果返回边终点（like._dst）即表明数据已导入。

您也可以使用 db_dump 工具统计数据是否已经全部导入。详细的使用信息参考 Dump Tool。

步骤 7. （可选）在 Nebula Graph 中重构索引

导入数据后，您可以在 Nebula Graph 中重新创建并重构索引。详细信息，参考《Nebula Graph Database 手册》。