关于数据库:Nebula-Importer-数据导入实践

本文首发于 Nebula Graph Community 公众号

前言

Nebula 目前作为较为成熟的产品，曾经有着很丰盛的生态。数据导入的维度而言就曾经提供了多种抉择。有大而全的 Nebula Exchange，小而精简的 Nebula Importer, 还有为 Spark / Flink 引擎提供的 Nebula Spark Connector 和 Nebula Flink Connector。

在泛滥的导入形式中，到底哪种较为不便呢？

应用场景介绍：

• Nebula Exchange

  • 须要将来自 Kafka、Pulsar 平台的流式数据, 导入 Nebula Graph 数据库
  • 须要从关系型数据库（如 MySQL）或者分布式文件系统（如 HDFS）中读取批式数据
  • 须要将大批量数据生成 Nebula Graph 能辨认的 SST 文件

• Nebula Importer

  • Importer 实用于将本地 CSV 文件的内容导入至 Nebula Graph 中

• Nebula Spark Connector:

  • 在不同的 Nebula Graph 集群之间迁徙数据
  • 在同一个 Nebula Graph 集群内不同图空间之间迁徙数据
  • Nebula Graph 与其余数据源之间迁徙数据
  • 联合 Nebula Algorithm 进行图计算

• Nebula Flink Connector

  • 在不同的 Nebula Graph 集群之间迁徙数据
  • 在同一个 Nebula Graph 集群内不同图空间之间迁徙数据
  • Nebula Graph 与其余数据源之间迁徙数据

以上摘自 Nebula 官网文档：https://docs.nebula-graph.com.cn/2.6.2/1.introduction/1.what-is-nebula-graph/

总体来说，Exchange 大而全，能够和大部分的存储引擎联合，导入到 Nebula 中，然而须要部署 Spark 环境。

Importer 应用简略，所需依赖较少，但须要本人提前生成数据文件，配置好 schema 一劳永逸，然而不反对断点续传，适宜数据量中等。

Spark / Flink Connector 须要和流数据联合。

不同的场景抉择不同的工具，如果作为新人应用 Nebula 在导入数据时，倡议应用 Nebula Importer 工具，简略疾速上手 。

Nebula Importer 的应用

在咱们接触 Nebula Graph 初期，过后生态不够欠缺, 加上只有局部业务迁徙到 Nebula Graph 上，咱们对 Nebula Graph 数据的导入不论全量还是增量都是采纳 Hive 表推到 Kafka，生产 Kafka 批量写入 Nebula Graph 的形式。起初随着越来越多的数据和业务切换到 Nebula Graph，导入的数据效率问题愈发严厉，导入时长的减少，使得业务高峰期时依然在全量的数据导入，这是不可承受的。

针对以上问题，在尝试 Nebula Spark Connector 和 Nebula Importer 之后，由便于保护和迁徙多方面思考，采纳 Hive table -> CSV -> Nebula Server -> Nebula Importer 的形式进行全量的导入，整体耗时时长也有较大的晋升。

Nebula Importor 的相干配置

零碎环境

[root@nebula-server-prod-05 importer]# lscpu
Architecture:          x86_64
CPU op-mode(s):        32-bit, 64-bit
Byte Order:            Little Endian
CPU(s):                16
On-line CPU(s) list:   0-15
Thread(s) per core:    2
Core(s) per socket:    8
Socket(s):             1
NUMA node(s):          1
Vendor ID:             GenuineIntel
CPU family:            6
Model:                 85
Model name:            Intel(R) Xeon(R) Platinum 8269CY CPU @ 2.50GHz
Stepping:              7
CPU MHz:               2499.998
BogoMIPS:              4999.99
Hypervisor vendor:     KVM
Virtualization type:   full
L1d cache:             32K
L1i cache:             32K
L2 cache:              1024K
L3 cache:              36608K
NUMA node0 CPU(s):     0-15

Disk：SSD
Memory: 128G

集群环境

• Nebula Version：v2.6.1
• 部署形式：RPM
• 集群规模：三正本，六节点

数据规模

+---------+--------------------------+-----------+
| "Space" | "vertices"               | 559191827 |
+---------+--------------------------+-----------+
| "Space" | "edges"                  | 722490436 |
+---------+--------------------------+-----------+

Importer 配置

# Graph 版本，连贯 2.x 时设置为 v2。version: v2

description: Relation Space import data

# 是否删除长期生成的日志和谬误数据文件。removeTempFiles: false

clientSettings:

  # nGQL 语句执行失败的重试次数。retry: 3

  # Nebula Graph 客户端并发数。concurrency: 5

  # 每个 Nebula Graph 客户端的缓存队列大小。channelBufferSize: 1024

  # 指定数据要导入的 Nebula Graph 图空间。space: Relation

  # 连贯信息。connection:
    user: root
    password: ******
    address: 10.0.XXX.XXX:9669,10.0.XXX.XXX:9669

  postStart:
    # 配置连贯 Nebula Graph 服务器之后，在插入数据之前执行的一些操作。commands: |

    # 执行上述命令后到执行插入数据命令之间的距离。afterPeriod: 1s

  preStop:
    # 配置断开 Nebula Graph 服务器连贯之前执行的一些操作。commands: |

# 谬误等日志信息输入的文件门路。logPath: /mnt/csv_file/prod_relation/err/test.log
....

因为篇幅 只展现些全局相干的配置，点边相干的配置较多，不再开展，详情能够参考 GitHub。

设置 Crontab，Hive 生成表之后传输到 Nebula Server，在夜间流量较低的时候跑起 Nebula Importer 工作：

50 03 15 * * /mnt/csv_file/importer/nebula-importer -config /mnt/csv_file/importer/rel.yaml >> /root/rel.log

总共耗时 2h，在六点左右实现全量数据的导入。

局部 log 如下，导入速度最高维持在 200,000/s 左右：

2022/05/15 03:50:11 [INFO] statsmgr.go:62: Tick: Time(10.00s), Finished(1952500), Failed(0), Read Failed(0), Latency AVG(4232us), Batches Req AVG(4582us), Rows AVG(195248.59/s)
2022/05/15 03:50:16 [INFO] statsmgr.go:62: Tick: Time(15.00s), Finished(2925600), Failed(0), Read Failed(0), Latency AVG(4421us), Batches Req AVG(4761us), Rows AVG(195039.12/s)
2022/05/15 03:50:21 [INFO] statsmgr.go:62: Tick: Time(20.00s), Finished(3927400), Failed(0), Read Failed(0), Latency AVG(4486us), Batches Req AVG(4818us), Rows AVG(196367.10/s)
2022/05/15 03:50:26 [INFO] statsmgr.go:62: Tick: Time(25.00s), Finished(5140500), Failed(0), Read Failed(0), Latency AVG(4327us), Batches Req AVG(4653us), Rows AVG(205619.44/s)
2022/05/15 03:50:31 [INFO] statsmgr.go:62: Tick: Time(30.00s), Finished(6080800), Failed(0), Read Failed(0), Latency AVG(4431us), Batches Req AVG(4755us), Rows AVG(202693.39/s)
2022/05/15 03:50:36 [INFO] statsmgr.go:62: Tick: Time(35.00s), Finished(7087200), Failed(0), Read Failed(0), Latency AVG(4461us), Batches Req AVG(4784us), Rows AVG(202489.00/s)

而后在七点，依据工夫戳，从新生产 Kafka 导入当天凌晨到七点的增量数据, 避免 T+1 的全量数据笼罩当天的增量数据。

50 07 15 * * python3  /mnt/code/consumer_by_time/relation_consumer_by_timestamp.py

增量的生产大略耗时 10-15min。

实时性

依据 MD5 比照之后失去的增量数据，导入 Kafka 中，实时生产 Kafka 的数据，确保数据的提早不超过 1 分钟。

另外长时间的实时可能会有非预期的数据问题呈现而未发现，所以每 30 天会导入一次全量数据，下面介绍的 Importer 导入。而后给 Space 的点边增加 TTL=35 天确保未及时更新的数据会被 Filter 和后续回收。

一些留神点

论坛帖子 https://discuss.nebula-graph.com.cn/t/topic/361 这里提到了对于 CSV 导入常遇到的问题，大家能够参考下。另外依据教训这边有几点倡议：

1. 对于并发度，问题中有提到，这个 concurrency 指定为你的 cpu cores 就能够, 示意起多少个 client 连贯 Nebula Server。实际操作中，要去 trade off 导入速度和服务器压力的影响。在咱们这边测试，如果并发过高，会导致磁盘 IO 过高，引发设置的一些告警，不倡议一下把并发拉太高，能够依据理论业务测试下做衡量。
2. Importer 并不能断点续传，如果呈现谬误，须要手动解决。在实际操作中，咱们会程序剖析 Importer 的 log，依据状况解决，如果哪局部数据呈现了非预期的谬误，会告警告诉，人工染指，避免出现意外。
3. Hive 生成表之后传输到 Nebula Server，这部分工作 理论耗时是和 Hadoop 资源状况密切相关的，有可能会呈现资源不够导致 Hive 和 CSV 表生成工夫滞缓，而 Importer 失常在跑的状况，这部分须要提前做好预判。咱们这边是依据 hive 工作完结工夫和 Importer 工作开始工夫做比照，判断是否须要 Importer 的过程失常运行。

交换图数据库技术？退出 Nebula 交换群请先填写下你的 Nebula 名片，Nebula 小助手会拉你进群~~