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Nebula Graph。

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。

  1. hbase(main):002:0> scan "player"
  2. ROW                                COLUMN+CELL
  3.  player100                         column=cf:age, timestamp=1618881347530, value=42
  4.  player100                         column=cf:name, timestamp=1618881354604, value=Tim Duncan
  5.  player101                         column=cf:age, timestamp=1618881369124, value=36
  6.  player101                         column=cf:name, timestamp=1618881379102, value=Tony Parker
  7.  player102                         column=cf:age, timestamp=1618881386987, value=33
  8.  player102                         column=cf:name, timestamp=1618881393370, value=LaMarcus Aldridge
  9.  player103                         column=cf:age, timestamp=1618881402002, value=32
  10.  player103                         column=cf:name, timestamp=1618881407882, value=Rudy Gay
  11.  ...
  13. hbase(main):003:0> scan "team"
  14. ROW                                COLUMN+CELL
  15.  team200                           column=cf:name, timestamp=1618881445563, value=Warriors
  16.  team201                           column=cf:name, timestamp=1618881453636, value=Nuggets
  17.  ...
  19. hbase(main):004:0> scan "follow"
  20. ROW                                COLUMN+CELL
  21.  player100                         column=cf:degree, timestamp=1618881804853, value=95
  22.  player100                         column=cf:dst_player, timestamp=1618881791522, value=player101
  23.  player101                         column=cf:degree, timestamp=1618881824685, value=90
  24.  player101                         column=cf:dst_player, timestamp=1618881816042, value=player102
  25.  ...
  27. hbase(main):005:0> scan "serve"
  28. ROW                                COLUMN+CELL
  29.  player100                         column=cf:end_year, timestamp=1618881899333, value=2016
  30.  player100                         column=cf:start_year, timestamp=1618881890117, value=1997
  31.  player100                         column=cf:teamid, timestamp=1618881875739, value=team204
  32.  ...

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

  • HBase：2.2.7

  • Nebula Graph：2.0.0。使用Docker Compose部署。

前提条件

开始导入数据之前，您需要确认以下信息：

  • 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 2.0。

  • 已经安装Spark。

  • 了解Nebula Graph中创建Schema的信息，包括标签和边类型的名称、属性等。

  • 已经安装并开启Hadoop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
    标签（Tag）playername string, age int
    标签（Tag）teamname string
    边类型（Edge Type）followdegree int
    边类型（Edge Type）servestart_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. ## 创建标签player
    11. nebula> CREATE TAG player(name string, age int);
    13. ## 创建标签team
    14. nebula> CREATE TAG team(name string);
    16. ## 创建边类型follow
    17. nebula> CREATE EDGE follow(degree int);
    19. ## 创建边类型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。

  1. {
  2.   # Spark相关配置
  3.   spark: {
  4.     app: {
  5.       name: Nebula Exchange 2.0
  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.     # 设置标签player相关信息。
  50.     # 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。
  51.     {
  52.       # Nebula Graph中对应的标签名称。
  53.       name: player
  54.       type: {
  55.         # 指定数据源文件格式，设置为HBase。
  56.         source: hbase
  57.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  58.         sink: client
  59.       }
  60.       host:192.168.*.*
  61.       port:2181
  62.       table:"player"
  63.       columnFamily:"cf"
  65.       # 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。
  66.       # fields和nebula.fields里的配置必须一一对应。
  67.       # 如果需要指定多个列名称，用英文逗号（,）隔开。
  68.       fields: [age,name]
  69.       nebula.fields: [age,name]
  71.       # 指定表中某一列数据为Nebula Graph中点VID的来源。
  72.       # 例如rowkey作为VID的来源，请填写“rowkey”。
  73.       vertex:{
  74.           field:rowkey
  75.       }
  78.       # 单次写入 Nebula Graph 的最大点数据量。
  79.       batch: 256
  81.       # Spark 分区数量
  82.       partition: 32
  83.     }
  84.     # 设置标签team相关信息。
  85.     {
  86.       name: team
  87.       type: {
  88.         source: hbase
  89.         sink: client
  90.       }
  91.       host:192.168.*.*
  92.       port:2181
  93.       table:"team"
  94.       columnFamily:"cf"
  95.       fields: [name]
  96.       nebula.fields: [name]
  97.       vertex:{
  98.           field:rowkey
  99.       }
  100.       batch: 256
  101.       partition: 32
  102.     }
  104.   ]
  106.   # 处理边数据
  107.   edges: [
  108.     # 设置边类型follow相关信息
  109.     {
  110.       # Nebula Graph中对应的边类型名称。
  111.       name: follow
  113.       type: {
  114.         # 指定数据源文件格式，设置为HBase。
  115.         source: hbase
  117.         # 指定边数据导入Nebula Graph的方式，
  118.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  119.         sink: client
  120.       }
  122.       host:192.168.*.*
  123.       port:2181
  124.       table:"follow"
  125.       columnFamily:"cf"
  127.       # 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。
  128.       # fields和nebula.fields里的配置必须一一对应。
  129.       # 如果需要指定多个列名称，用英文逗号（,）隔开。
  130.       fields: [degree]
  131.       nebula.fields: [degree]
  133.       # 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。
  134.       # 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。
  135.       source:{
  136.           field:rowkey
  137.       }
  140.       target:{
  141.           field:dst_player
  142.       }
  145.       # 单次写入 Nebula Graph 的最大点数据量。
  146.       batch: 256
  148.       # Spark 分区数量
  149.       partition: 32
  150.     }
  152.     # 设置边类型serve相关信息
  153.     {
  154.       name: serve
  155.       type: {
  156.         source: hbase
  157.         sink: client
  158.       }
  159.       host:192.168.*.*
  160.       port:2181
  161.       table:"serve"
  162.       columnFamily:"cf"
  164.       fields: [start_year,end_year]
  165.       nebula.fields: [start_year,end_year]
  166.       source:{
  167.           field:rowkey
  168.       }
  170.       target:{
  171.           field:teamid
  172.       }
  174.       batch: 256
  175.       partition: 32
  176.     }
  177.   ]
  178. }

步骤 3：向Nebula Graph导入数据

运行如下命令将HBase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-2.0.0.jar_path> -c <hbase_application.conf_path>

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-2.0.0.jar  -c /root/nebula-spark-utils/nebula-exchange/target/classes/hbase_application.conf

您可以在返回信息中搜索batchSuccess.<tag_name/edge_name>，确认成功的数量。例如例如batchSuccess.follow: 300。

步骤 4：（可选）验证数据

您可以在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;

您也可以使用命令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，您可以在Nebula Graph中重新创建并重建索引。详情请参见索引介绍。