导入ClickHouse数据

本文以一个示例说明如何使用Exchange将存储在ClickHouse上的数据导入Nebula Graph。

数据集

本文以basketballplayer数据集为例。

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

  • ClickHouse：docker部署yandex/clickhouse-server tag: latest(2021.07.01)

  • Nebula Graph：2.5.0。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 2.5.0。

  • 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
    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ClickHouse数据源相关的配置。在本示例中，复制的文件名为clickhouse_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 2.5.0
  6.     }
  7.     driver: {
  8.       cores: 1
  9.       maxResultSize: 1G
  10.     }
  11.     cores {
  12.       max: 16
  13.     }
  14.   }
  16. # Nebula Graph相关配置
  17.   nebula: {
  18.     address:{
  19.       # 以下为Nebula Graph的Graph服务和Meta服务所在机器的IP地址及端口。
  20.       # 如果有多个地址，格式为 "ip1:port","ip2:port","ip3:port"。
  21.       # 不同地址之间以英文逗号 (,) 隔开。
  22.       graph:["127.0.0.1:9669"]
  23.       meta:["127.0.0.1:9559"]
  24.     }
  25.     # 填写的账号必须拥有Nebula Graph相应图空间的写数据权限。
  26.     user: root
  27.     pswd: nebula
  28.     # 填写Nebula Graph中需要写入数据的图空间名称。
  29.     space: basketballplayer
  30.     connection {
  31.       timeout: 3000
  32.       retry: 3
  33.     }
  34.     execution {
  35.       retry: 3
  36.     }
  37.     error: {
  38.       max: 32
  39.       output: /tmp/errors
  40.     }
  41.     rate: {
  42.       limit: 1024
  43.       timeout: 1000
  44.     }
  45.   }
  46.   # 处理点
  47.   tags: [
  48.     # 设置Tag player相关信息。
  49.     {
  50.       name: player
  51.       type: {
  52.         # 指定数据源文件格式，设置为ClickHouse。
  53.         source: clickhouse
  54.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  55.         sink: client
  56.       }
  58.       # ClickHouse的JDBC URL
  59.       url:"jdbc:clickhouse://192.168.*.*:8123/basketballplayer"
  61.       user:"user"
  62.       password:"123456"
  64.       # ClickHouse分区数
  65.       numPartition:"5"
  67.       sentence:"select * from player"
  69.       # 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。
  70.       # fields和nebula.fields里的配置必须一一对应。
  71.       # 如果需要指定多个列名称，用英文逗号（,）隔开。
  72.       fields: [name,age]
  73.       nebula.fields: [name,age]
  75.       # 指定表中某一列数据为Nebula Graph中点VID的来源。
  76.       vertex: {
  77.         field:playerid
  78.         # policy:hash
  79.       }
  81.       # 单批次写入 Nebula Graph 的数据条数。
  82.       batch: 256
  84.       # Spark 分区数量
  85.       partition: 32
  86.     }
  88.     # 设置Tag team相关信息。
  89.     {
  90.       name: team
  91.       type: {
  92.         source: clickhouse
  93.         sink: client
  94.       }
  95.       url:"jdbc:clickhouse://192.168.*.*:8123/basketballplayer"
  96.       user:"user"
  97.       password:"123456"
  98.       numPartition:"5"
  99.       sentence:"select * from team"
  100.       fields: [name]
  101.       nebula.fields: [name]
  102.       vertex: {
  103.         field:teamid
  104.       }
  105.       batch: 256
  106.       partition: 32
  107.     }
  108.   ]
  110.   # 处理边数据
  111.   edges: [
  112.     # 设置Edge type follow相关信息
  113.     {
  114.       # Nebula Graph中对应的Edge type名称。
  115.       name: follow
  117.       type: {
  118.         # 指定数据源文件格式，设置为ClickHouse。
  119.         source: clickhouse
  121.         # 指定边数据导入Nebula Graph的方式，
  122.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  123.         sink: client
  124.       }
  126.       # ClickHouse的JDBC URL
  127.       url:"jdbc:clickhouse://192.168.*.*:8123/basketballplayer"
  129.       user:"user"
  130.       password:"123456"
  132.       # ClickHouse分区数
  133.       numPartition:"5"
  135.       sentence:"select * from follow"
  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.       source: {
  145.         field:src_player
  146.       }
  148.       # 在target里，将follow表中某一列作为边的目的点数据源。
  149.       target: {
  150.         field:dst_player
  151.       }
  153.       # 单批次写入 Nebula Graph 的数据条数。
  154.       batch: 256
  156.       # Spark 分区数量
  157.       partition: 32
  158.     }
  160.     # 设置Edge type serve相关信息
  161.     {
  162.       name: serve
  163.       type: {
  164.         source: clickhouse
  165.         sink: client
  166.       }
  167.       url:"jdbc:clickhouse://192.168.*.*:8123/basketballplayer"
  168.       user:"user"
  169.       password:"123456"
  170.       numPartition:"5"
  171.       sentence:"select * from serve"
  172.       fields: [start_year,end_year]
  173.       nebula.fields: [start_year,end_year]
  174.       source: {
  175.         field:playerid
  176.       }
  177.       target: {
  178.         field:teamid
  179.       }
  180.       batch: 256
  181.       partition: 32
  182.     }
  183.   ]
  184. }

步骤 3：向Nebula Graph导入数据

运行如下命令将ClickHouse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-2.5.0.jar_path> -c <clickhouse_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-2.5.0.jar  -c /root/nebula-spark-utils/nebula-exchange/target/classes/clickhouse_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。