Nebula Exchange 工具 Hive 數據導入的踩坑之旅

摘要：本文由社區用戶 xrfinbj 貢獻，主要介紹 Exchange 工具從 Hive 數倉導入數據到 Nebula Graph 的流程及相關的注意事項。

1 背景

公司內部有使用圖數據庫的場景，內部經過技術選型肯定了 Nebula Graph 圖數據庫，還須要驗證 Nebula Graph 數據庫在實際業務場景下的查詢性能。因此急迫的須要導入數據到 Nebula Graph 並驗證。在這個過程當中發現經過 Exchange 工具從 hive 數倉導入數據到 Nebula Graph 文檔不是很全，因此把這個流程中踩到的坑記錄下來，回饋社區，避免後人走彎路。

本文主要基於我以前發在論壇的 2 篇帖子：

• exchange 如何導入 hive 數據問題
• exchange 執行從 hive 導入數據報錯

2 環境信息

• Nebula Graph 版本：nebula:nightly
• 部署方式（分佈式 / 單機 / Docker / DBaaS）：Mac 電腦 Docker 部署
• 硬件信息
  • 磁盤（SSD / HDD）：Mac 電腦 SSD
  • CPU、內存信息：16 G
• 數倉環境（Mac 電腦搭建的本地數倉）：
  • Hive 3.1.2
  • Hadoop 3.2.1
• Exchange 工具：https://github.com/vesoft-inc/nebula-java/tree/v1.0/tools/exchange

編譯後生成 jar 包

• Spark
  spark-2.4.7-bin-hadoop2.7 (conf 目錄下配置 Hadoop 3.2.1 對應的 core-site.xml，hdfs-site.xml，hive-site.xml 設置 spark-env.sh)
  Scala code runner version 2.13.3 -- Copyright 2002-2020, LAMP/EPFL and Lightbend, Inc.

3 配置

1 Nebula Graph DDL

CREATE SPACE test_hive(partition_num=10, replica_factor=1); --建立圖空間，本示例中假設只須要一個副本
USE test_hive; --選擇圖空間 test
CREATE TAG tagA(idInt int, idString string, tboolean bool, tdouble double); -- 建立標籤 tagA
CREATE TAG tagB(idInt int, idString string, tboolean bool, tdouble double); -- 建立標籤 tagB
CREATE EDGE edgeAB(idInt int, idString string, tboolean bool, tdouble double); -- 建立邊類型 edgeAB

2 Hive DDL

CREATE TABLE `tagA`(                               
   `id` bigint,                                     
   `idInt` int,                            
   `idString` string,                                 
   `tboolean` boolean,                                 
   `tdouble` double) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\001' LINES TERMINATED BY '\n';
insert into tagA select 1,1,'str1',true,11.11;
insert into tagA select 2,2,"str2",false,22.22;

CREATE TABLE `tagB`(                               
   `id` bigint,                                     
   `idInt` int,                            
   `idString` string,                                 
   `tboolean` boolean,                                 
   `tdouble` double) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\001' LINES TERMINATED BY '\n';
insert into tagB select 3,3,"str 3",true,33.33;
insert into tagB select 4,4,"str 4",false,44.44;

CREATE TABLE `edgeAB`(                               
   `id_source` bigint,                                     
   `id_dst` bigint,         
   `idInt` int,                            
   `idString` string,                                 
   `tboolean` boolean,                                 
   `tdouble` double) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\001' LINES TERMINATED BY '\n';
insert into edgeAB select 1,3,5,"edge 1",true,55.55;
insert into edgeAB select 2,4,6,"edge 2",false,66.66;

3 個人最新 nebula_application.conf 文件

注意看exec、fields、nebula.fields、vertex、source、target字段映射

{
  # Spark relation config
  spark: {
    app: {
      name: Spark Writer
    }

    driver: {
      cores: 1
      maxResultSize: 1G
    }

    cores {
      max: 4
    }
  }

  # Nebula Graph relation config
  nebula: {
    address:{
      graph: ["192.168.1.110:3699"]
      meta: ["192.168.1.110:45500"]
    }
    user: user
    pswd: password
    space: test_hive

    connection {
      timeout: 3000
      retry: 3
    }

    execution {
      retry: 3
    }

    error: {
      max: 32
      output: /tmp/error
    }
    rate: {
      limit: 1024
      timeout: 1000
    }
  }

  # Processing tags
  tags: [
    # Loading from Hive
    {
      name: tagA
      type: {
        source: hive
        sink: client
      }
      exec: "select id,idint,idstring,tboolean,tdouble from nebula.taga"
      fields: [id,idstring,tboolean,tdouble]
      nebula.fields: [idInt,idString,tboolean,tdouble]
      vertex: id
      batch: 256
      partition: 10
    }
    {
      name: tagB
      type: {
        source: hive
        sink: client
      }
      exec: "select id,idint,idstring,tboolean,tdouble from nebula.tagb"
      fields: [id,idstring,tboolean,tdouble]
      nebula.fields: [idInt,idString,tboolean,tdouble]
      vertex: id
      batch: 256
      partition: 10
    }
  ]

  # Processing edges
  edges: [
    # Loading from Hive
    {
      name: edgeAB
      type: {
        source: hive
        sink: client
      }
      exec: "select id_source,id_dst,idint,idstring,tboolean,tdouble from nebula.edgeab"
      fields: [id_source,idstring,tboolean,tdouble]
      nebula.fields: [idInt,idString,tboolean,tdouble]
      source: id_source
      target: id_dst
      batch: 256
      partition: 10
    }
  ]
}

4 執行導入

4.1 確保 nebula 服務啓動

4.2 確保 Hive 表和數據就緒

4.3 執行 spark-sql cli 查看 Hive 表以及數據是否正常以確保 Spark 環境沒問題

4.4 一切配置工做就緒後，執行 Spark 命令：

spark-submit --class com.vesoft.nebula.tools.importer.Exchange --master 「local[4]」 /xxx/exchange-1.0.1.jar -c /xxx/nebula_application.conf -h

4.5 導入成功後 能夠藉助 db_dump 工具查看導入數據量 驗證正確性

./db_dump --mode=stat --space=xxx --db_path=/home/xxx/data/storage0/nebula   --limit 20000000

5 踩坑以及說明

• 第一個坑就是 spark-submit 命令沒有加 -h 參數
• Nebula Graph 中 tagName 是大小寫敏感的，tags 的配置中 name 配置的應該是 Nebula Graph 的 tag 名
• Hive的 int 和 Nebula Graph 的 int 不一致，Hive 裏面的 bigint 對應 Nebula Graph 的 int

其餘說明：

• 因爲 Nebula Graph 底層存儲是 kv，重複插入實際上是覆蓋，update 操做用 insert 替代性能會高些
• 文檔裏面不全的地方可能暫時只有一邊看源碼解決，一邊去論壇問（開發同窗也不容易又要緊張的開發又要回答用戶的疑問）
• 導入數據、Compact 以及操做建議：https://docs.nebula-graph.com.cn/manual-CN/3.build-develop-and-administration/5.storage-service-administration/compact/
• 我已經驗證以下兩個場景:
  • 用 Spark 2.4 從 Hive 2（Hadoop 2）中導入數據到 Nebula Graph
  • 用 Spark 2.4 從 Hive3（Hadoop 3）中導入數據到 Nebula Graph

說明：Exchange 目前還不支持 Spark 3，編譯後運行報錯，因此無法驗證 Spark 3 環境

還有一些疑問

• nebula_application.conf 文件的參數 batch 和 rate.limit 應該如何設置？參數如何抉擇？
• Exchange 工具 Hive 數據導入原理（Spark 這塊我也是最近現學現用）

6 Exchange 源碼 Debug

Spark Debug 部分參考博客：https://dzone.com/articles/how-to-attach-a-debugger-to-apache-spark

經過 Exchange 源碼的學習和 Debug 能加深對 Exchange 原理的理解，同時也能發現一些文檔描述不清晰的地方，好比 導入 SST 文件 和 Download and Ingest 只有結合源碼看才能發現文檔描述不清晰邏輯不嚴謹的問題。

經過源碼 Debug 也能發現一些簡單的參數配置問題。

進入正題：

步驟一：

export SPARK_SUBMIT_OPTS=-agentlib:jdwp=transport=dt_socket,server=y,suspend=y,address=4000

步驟二：

spark-submit --class com.vesoft.nebula.tools.importer.Exchange --master 「local」 /xxx/exchange-1.1.0.jar -c /xxx/nebula_application.conf -h
Listening for transport dt_socket at address: 4000

步驟三：IDEA 配置

步驟四：在 IDEA 裏面點擊 Debug

7 建議與感謝

感謝 vesoft 提供了宇宙性能最強的 Nebula Graph 圖數據庫，能解決業務中不少實際問題，中途這點痛不算什麼（看以前的分享，360 數科他們那個痛纔是真痛）。中途遇到的問題都有幸獲得社區及時的反饋解答，再次感謝

很期待 Exchange 支持 Nebula Graph 2.0

參考資料

• exchange和Spark Writer什麼關係？
• Spark Writer 手冊
• Spark Writer 手冊

喜歡這篇文章？來來來，給咱們的 GitHub 點個 star 表鼓勵啦~~ 🙇‍♂️🙇‍♀️ [手動跪謝]

交流圖數據庫技術？交個朋友，Nebula Graph 官方小助手微信：NebulaGraphbot 拉你進交流羣~~

推薦閱讀

• 在 Spark 數據導入中的一些實踐細節
• Neo4j 導入 Nebula Graph 的實現原理與實踐