导入CSV文件数据

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

如果要向Nebula Graph导入本地CSV文件，请参见Nebula Importer。

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

  • 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。

  • 如果文件存储在HDFS上，需要确认Hadoop服务运行正常。

  • 如果文件存储在本地且Nebula Graph是集群架构，需要在集群每台机器本地相同目录下放置文件。

操作步骤

步骤 1：在Nebula Graph中创建Schema

分析CSV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
    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：处理CSV文件

确认以下信息：

  1. 处理CSV文件以满足Schema的要求。

  2. 获取CSV文件存储路径。

步骤 3：修改配置文件

编译Exchange后，复制target/classes/application.conf文件设置CSV数据源相关的配置。在本示例中，复制的文件名为csv_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.     executor: {
  12.         memory:1G
  13.     }
  15.     cores {
  16.       max: 16
  17.     }
  18.   }
  20.   # Nebula Graph相关配置
  21.   nebula: {
  22.     address:{
  23.       # 指定Graph服务和所有Meta服务的IP地址和端口。
  24.       # 如果有多台服务器，地址之间用英文逗号（,）分隔。
  25.       # 格式: "ip1:port","ip2:port","ip3:port"
  26.       graph:["127.0.0.1:9669"]
  27.       meta:["127.0.0.1:9559"]
  28.     }
  30.     # 指定拥有Nebula Graph写权限的用户名和密码。
  31.     user: root
  32.     pswd: nebula
  34.     # 指定图空间名称。
  35.     space: basketballplayer
  36.     connection {
  37.       timeout: 3000
  38.       retry: 3
  39.     }
  40.     execution {
  41.       retry: 3
  42.     }
  43.     error: {
  44.       max: 32
  45.       output: /tmp/errors
  46.     }
  47.     rate: {
  48.       limit: 1024
  49.       timeout: 1000
  50.     }
  51.   }
  53.   # 处理点
  54.   tags: [
  55.     # 设置Tag player相关信息。
  56.     {
  57.       # 指定Nebula Graph中定义的Tag名称。
  58.       name: player
  59.       type: {
  60.         # 指定数据源，使用CSV。
  61.         source: csv
  63.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  64.         sink: client
  65.       }
  67.       # 指定CSV文件的路径。
  68.       # 如果文件存储在HDFS上，用双引号括起路径，以hdfs://开头，例如"hdfs://ip:port/xx/xx"。
  69.       # 如果文件存储在本地，用双引号括起路径，以file://开头，例如"file:///tmp/xx.csv"。
  70.       path: "hdfs://192.168.*.*:9000/data/vertex_player.csv"
  72.       # 如果CSV文件没有表头，使用[_c0, _c1, _c2, ..., _cn]表示其表头，并将列指示为属性值的源。
  73.       # 如果CSV文件有表头，则使用实际的列名。
  74.       fields: [_c1, _c2]
  76.       # 指定Nebula Graph中定义的属性名称。
  77.       # fields与nebula.fields的顺序必须一一对应。
  78.       nebula.fields: [age, name]
  80.       # 指定一个列作为VID的源。
  81.       # vertex的值必须与上述fields或者csv.fields中的列名保持一致。
  82.       # 目前，Nebula Graph 2.5.0仅支持字符串或整数类型的VID。
  83.       vertex: {
  84.         field:_c0
  85.         # policy:hash
  86.       }
  88.       # 指定的分隔符。默认值为英文逗号（,）。
  89.       separator: ","
  91.       # 如果CSV文件有表头，请将header设置为true。
  92.       # 如果CSV文件没有表头，请将header设置为false。默认值为false。
  93.       header: false
  95.       # 指定单批次写入Nebula Graph的最大点数量。
  96.       batch: 256
  98.       # 指定Spark分片数量。
  99.       partition: 32
  100.     }
  102.     # 设置Tag team相关信息。
  103.     {
  104.       # 指定Nebula Graph中定义的Tag名称。
  105.       name: team
  106.       type: {
  107.         # 指定数据源，使用CSV。
  108.         source: csv
  110.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  111.         sink: client
  112.       }
  114.       # 指定CSV文件的路径。
  115.       # 如果文件存储在HDFS上，用双引号括起路径，以hdfs://开头，例如"hdfs://ip:port/xx/xx"。
  116.       # 如果文件存储在本地，用双引号括起路径，以file://开头，例如"file:///tmp/xx.csv"。
  117.       path: "hdfs://192.168.*.*:9000/data/vertex_team.csv"
  119.       # 如果CSV文件没有表头，使用[_c0, _c1, _c2, ..., _cn]表示其表头，并将列指示为属性值的源。
  120.       # 如果CSV文件有表头，则使用实际的列名。
  121.       fields: [_c1]
  123.       # 指定Nebula Graph中定义的属性名称。
  124.       # fields与nebula.fields的顺序必须一一对应。
  125.       nebula.fields: [name]
  127.       # 指定一个列作为VID的源。
  128.       # vertex的值必须与上述fields或者csv.fields中的列名保持一致。
  129.       # 目前，Nebula Graph 2.5.0仅支持字符串或整数类型的VID。
  130.       vertex: {
  131.         field:_c0
  132.         # policy:hash
  133.       }
  135.       # 指定的分隔符。默认值为英文逗号（,）。
  136.       separator: ","
  138.       # 如果CSV文件有表头，请将header设置为true。
  139.       # 如果CSV文件没有表头，请将header设置为false。默认值为false。
  140.       header: false
  142.       # 指定单批次写入Nebula Graph的最大点数量。
  143.       batch: 256
  145.       # 指定Spark分片数量。
  146.       partition: 32
  147.     }
  150.     # 如果需要添加更多点，请参考前面的配置进行添加。
  151.   ]
  152.   # 处理边
  153.   edges: [
  154.     # 设置Edge type follow相关信息。
  155.     {
  156.       # 指定Nebula Graph中定义的Edge type名称。
  157.       name: follow
  158.       type: {
  159.         # 指定数据源，使用CSV。
  160.         source: csv
  162.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  163.         sink: client
  164.       }
  166.       # 指定CSV文件的路径。
  167.       # 如果文件存储在HDFS上，用双引号括起路径，以hdfs://开头，例如"hdfs://ip:port/xx/xx"。
  168.       # 如果文件存储在本地，用双引号括起路径，以file://开头，例如"file:///tmp/xx.csv"。
  169.       path: "hdfs://192.168.*.*:9000/data/edge_follow.csv"
  171.       # 如果CSV文件没有表头，使用[_c0, _c1, _c2, ..., _cn]表示其表头，并将列指示为属性值的源。
  172.       # 如果CSV文件有表头，则使用实际的列名。
  173.       fields: [_c2]
  175.       # 指定Nebula Graph中定义的属性名称。
  176.       # fields与nebula.fields的顺序必须一一对应。
  177.       nebula.fields: [degree]
  179.       # 指定一个列作为起始点和目的点的源。
  180.       # vertex的值必须与上述fields或者csv.fields中的列名保持一致。
  181.       # 目前，Nebula Graph 2.5.0仅支持字符串或整数类型的VID。
  182.       source: {
  183.         field: _c0
  184.       }
  185.       target: {
  186.         field: _c1
  187.       }
  189.       # 指定的分隔符。默认值为英文逗号（,）。
  190.       separator: ","
  192.       # 指定一个列作为rank的源(可选)。
  194.       #ranking: rank
  196.       # 如果CSV文件有表头，请将header设置为true。
  197.       # 如果CSV文件没有表头，请将header设置为false。默认值为false。
  198.       header: false
  200.       # 指定单批次写入Nebula Graph的最大边数量。
  201.       batch: 256
  203.       # 指定Spark分片数量。
  204.       partition: 32
  205.     }
  207.     # 设置Edge type serve相关信息。
  208.     {
  209.       # 指定Nebula Graph中定义的Edge type名称。
  210.       name: serve
  211.       type: {
  212.         # 指定数据源，使用CSV。
  213.         source: csv
  215.         # 指定如何将点数据导入Nebula Graph：Client或SST。
  216.         sink: client
  217.       }
  219.       # 指定CSV文件的路径。
  220.       # 如果文件存储在HDFS上，用双引号括起路径，以hdfs://开头，例如"hdfs://ip:port/xx/xx"。
  221.       # 如果文件存储在本地，用双引号括起路径，以file://开头，例如"file:///tmp/xx.csv"。
  222.       path: "hdfs://192.168.*.*:9000/data/edge_serve.csv"
  224.       # 如果CSV文件没有表头，使用[_c0, _c1, _c2, ..., _cn]表示其表头，并将列指示为属性值的源。
  225.       # 如果CSV文件有表头，则使用实际的列名。
  226.       fields: [_c2,_c3]
  228.       # 指定Nebula Graph中定义的属性名称。
  229.       # fields与nebula.fields的顺序必须一一对应。
  230.       nebula.fields: [start_year, end_year]
  232.       # 指定一个列作为起始点和目的点的源。
  233.       # vertex的值必须与上述fields或者csv.fields中的列名保持一致。
  234.       # 目前，Nebula Graph 2.5.0仅支持字符串或整数类型的VID。
  235.       source: {
  236.         field: _c0
  237.       }
  238.       target: {
  239.         field: _c1
  240.       }
  242.       # 指定的分隔符。默认值为英文逗号（,）。
  243.       separator: ","
  245.       # 指定一个列作为rank的源(可选)。
  246.       #ranking: _c5
  248.       # 如果CSV文件有表头，请将header设置为true。
  249.       # 如果CSV文件没有表头，请将header设置为false。默认值为false。
  250.       header: false
  252.       # 指定单批次写入Nebula Graph的最大边数量。
  253.       batch: 256
  255.       # 指定Spark分片数量。
  256.       partition: 32
  257.     }
  259.   ]
  260.   # 如果需要添加更多边，请参考前面的配置进行添加。
  261. }

步骤 4：向Nebula Graph导入数据

运行如下命令将CSV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 <csv_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/csv_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。