导入Neo4j数据

本文以一个示例说明如何使用Exchange将存储在Neo4j的数据导入Nebula Graph。

实现方法

Exchange使用Neo4j Driver 4.0.1实现对Neo4j数据的读取。执行批量导出之前，用户需要在配置文件中写入针对标签（label）和关系类型（Relationship Type）自动执行的Cypher语句，以及Spark分区数，提高数据导出性能。

Exchange读取Neo4j数据时需要完成以下工作：

  1. Exchange中的Reader会将配置文件中exec部分的CypherRETURN语句后面的语句替换为COUNT(*)，并执行这个语句，从而获取数据总量，再根据Spark分区数量计算每个分区的起始偏移量和大小。

  2. （可选）如果用户配置了check_point_path目录，Reader会读取目录中的文件。如果处于续传状态，Reader会计算每个Spark分区应该有的偏移量和大小。

  3. 在每个Spark分区里，Exchange中的Reader会在Cypher语句后面添加不同的SKIP和LIMIT语句，调用Neo4j Driver并行执行，将数据分布到不同的Spark分区中。

  4. Reader最后将返回的数据处理成DataFrame。

至此，Exchange即完成了对Neo4j数据的导出。之后，数据被并行写入Nebula Graph数据库中。

整个过程如下图所示。

Nebula Graph® Exchange 从 Neo4j 数据库中导出数据再并行导入 Nebula Graph 数据库中

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：Intel(R) Xeon(R) CPU E5-2697 v3 @ 2.60GHz

    • CPU 内核数：14

    • 内存：251 GB

  • Spark：单机版，2.4.6 pre-build for Hadoop 2.7

  • Neo4j：3.5.20 Community Edition

  • 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。

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. 使用Nebula Console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：配置源数据

为了提高Neo4j数据的导出速度，在Neo4j数据库中为相应属性创建索引。详细信息，参考Neo4j用户手册。

步骤 3：修改配置文件

编译Exchange后，复制target/classes/application.conf文件设置数据源相关的配置。在本示例中，复制的文件名为neo4j_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.     }
  8.     driver: {
  9.       cores: 1
  10.       maxResultSize: 1G
  11.     }
  13.     executor: {
  14.         memory:1G
  15.     }
  17.     cores:{
  18.       max: 16
  19.     }
  20.   }
  23.   # Nebula Graph相关配置
  24.   nebula: {
  25.     address:{
  26.       graph:["127.0.0.1:9669"]
  27.       meta:["127.0.0.1:9559"]
  28.     }
  29.     user: root
  30.     pswd: nebula
  31.     space: basketballplayer
  33.     connection {
  34.       timeout: 3000
  35.       retry: 3
  36.     }
  38.     execution {
  39.       retry: 3
  40.     }
  42.     error: {
  43.       max: 32
  44.       output: /tmp/errors
  45.     }
  47.     rate: {
  48.       limit: 1024
  49.       timeout: 1000
  50.     }
  51.   }
  53.   # 处理点
  54.   tags: [
  57.     # 设置Tag player相关信息。
  58.     {
  59.       name: player
  60.       type: {
  61.         source: neo4j
  62.         sink: client
  63.       }
  64.       server: "bolt://192.168.*.*:7687"
  65.       user: neo4j
  66.       password:neo4j
  67.       database:neo4j
  68.       exec: "match (n:player) return n.id as id, n.age as age, n.name as name"
  69.       fields: [age,name]
  70.       nebula.fields: [age,name]
  71.       vertex: {
  72.         field:id
  73.       }
  74.       partition: 10
  75.       batch: 1000
  76.       check_point_path: /tmp/test
  77.    }
  78.   # 设置Tag team相关信息。
  79.   {
  80.       name: team
  81.       type: {
  82.         source: neo4j
  83.         sink: client
  84.       }
  85.       server: "bolt://192.168.*.*:7687"
  86.       user: neo4j
  87.       password:neo4j
  88.       database:neo4j
  89.       exec: "match (n:team) return n.id as id,n.name as name"
  90.       fields: [name]
  91.       nebula.fields: [name]
  92.       vertex: {
  93.         field:id
  94.       }
  95.       partition: 10
  96.       batch: 1000
  97.       check_point_path: /tmp/test
  98.    }
  99.   ]
  101.   # 处理边数据
  102.   edges: [
  103.     # 设置Edge type follow相关信息
  104.     {
  105.       name: follow
  106.       type: {
  107.         source: neo4j
  108.         sink: client
  109.       }
  110.       server: "bolt://192.168.*.*:7687"
  111.       user: neo4j
  112.       password:neo4j
  113.       database:neo4j
  114.       exec: "match (a:player)-[r:follow]->(b:player) return a.id as src, b.id as dst, r.degree as degree  order by id(r)"
  115.       fields: [degree]
  116.       nebula.fields: [degree]
  117.       source: {
  118.         field: src
  119.       }
  120.       target: {
  121.         field: dst
  122.       }
  123.       partition: 10
  124.       batch: 1000
  125.       check_point_path: /tmp/test
  126.     }
  127.    # 设置Edge type serve相关信息
  128.    {
  129.       name: serve
  130.       type: {
  131.         source: neo4j
  132.         sink: client
  133.       }
  134.       server: "bolt://192.168.*.*:7687"
  135.       user: neo4j
  136.       password:neo4j
  137.       database:neo4j
  138.       exec: "match (a:player)-[r:serve]->(b:team) return a.id as src, b.id as dst, r.start_year as start_year, r.end_year as end_year  order by id(r)"
  139.       fields: [start_year,end_year]
  140.       nebula.fields: [start_year,end_year]
  141.       source: {
  142.         field: src
  143.       }
  144.       target: {
  145.         field: dst
  146.       }
  147.       partition: 10
  148.       batch: 1000
  149.       check_point_path: /tmp/test
  150.     }
  151.    ]
  152. }

exec配置说明

在配置tags.exec或者edges.exec参数时，需要填写Cypher查询语句。为了保证每次查询结果排序一致，并且为了防止在导入时丢失数据，强烈建议在Cypher查询语句中加入ORDER BY子句，同时，为了提高数据导入效率，最好选取有索引的属性作为排序的属性。如果没有索引，用户也可以观察默认的排序，选择合适的属性用于排序，以提高效率。如果默认的排序找不到规律，用户可以根据点或关系的ID进行排序，并且将partition设置为一个尽量小的值，减轻Neo4j的排序压力。

说明：使用ORDER BY子句会延长数据导入的时间。

另外，Exchange需要在不同Spark分区执行不同SKIP和LIMIT的Cypher语句，所以在tags.exec和edges.exec对应的Cypher语句中不能含有SKIP和LIMIT子句。

tags.vertex或edges.vertex配置说明

Nebula Graph在创建点和边时会将ID作为唯一主键，如果主键已存在则会覆盖该主键中的数据。所以，假如将某个Neo4j属性值作为Nebula Graph的ID，而这个属性值在Neo4j中是有重复的，就会导致重复ID，它们对应的数据有且只有一条会存入Nebula Graph中，其它的则会被覆盖掉。由于数据导入过程是并发地往Nebula Graph中写数据，最终保存的数据并不能保证是Neo4j中最新的数据。

check_point_path配置说明

如果启用了断点续传功能，为避免数据丢失，在断点和续传之间，数据库不应该改变状态，例如不能添加数据或删除数据，同时，不能更改partition数量配置。

步骤 4：向Nebula Graph导入数据

运行如下命令将文件数据导入到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 <neo4j_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/neo4j_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 5：（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 6：（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。