使用图数据库Nebula Graph快速上手史上最大规模的中文知识图谱ownthink_v2教程(没写完,明天再写)
一、前言
本教程主要参考官方教程:使用图数据库 Nebula Graph 数据导入快速体验知识图谱 OwnThink (nebula-graph.com.cn)
来带着大家一步一步复现实验内容。
本教程主要使用到的数据集:
ownthink/KnowledgeGraphData: 史上最大规模1.4亿中文知识图谱开源下载 (github.com)
主要使用的项目:
NebulaGraph 是一款开源的图数据库,擅长处理千亿个顶点和万亿条边的超大规模数据集。
vesoft-inc/nebula: A distributed, fast open-source graph database featuring horizontal scalability and high availability (github.com)https://github.com/vesoft-inc/nebulardf-converter这个工具用于清洗 Ownthink 的知识图谱 RDF 数据,将它变成属性图模型。产出结果为一个 vertex.csv 文件和 edge.csv 文件, 分别是清洗后的顶点数据和边数据。目前只对数据进行了简单去重。
jievince/rdf-converter: convert rdf format data into the format which nebula-importer reads (github.com)https://github.com/jievince/rdf-converterNebulaGraph Importer是一个用于将数据导入到 NebulaGraph 的工具。
vesoft-inc/nebula-importer: 使用 Go 的 Nebula Graph 导入器 (github.com)https://github.com/vesoft-inc/nebula-importer注:使用rdf-converter和NebulaGraph Importer需要安装golang编译器,教程可参考:
Go语言环境安装及配置_go 安装环境-CSDN博客https://blog.csdn.net/m0_55059123/article/details/122756069
二、数据预处理
1.数据建模
NebulaGraph 是一个开源的分布式图数据库(链接:GitHub - vesoft-inc/nebula: A distributed, fast open-source graph database featuring horizontal scalability and high availability),相比 Neo4j 来说,它的主要特点是完全的分布式,因此图数据库 NebulaGraph 适合处理数据量超过单机的场景。
图数据库通常支持的数据模型为有向属性图(directed property graph)。图中的每个顶点(vertex)可以用标签(tag)来表示类型(Neo4j 叫做 Label),顶点和顶点之间的关系用边(edge)连接起来。每种 tag 和 edge 还可以带有属性。——然而,这些功能对于知识图谱的三元组数据没什么意义:
分析上图的三元组数据,发现无论是 (实体, 属性, 值)
形式的三元组数据,还是 (实体, 关系, 实体)
形式的三元组数据,每条三元组数据均可以建模成两个点和一条边的形式。前者三元组中的“实体”和“值”建模为两个点(起点、终点),“属性”建模为一条边,后者三元组中的两个“实体”也建模为两个点(起点、终点),“关系”建模为一条边.
而且,所有的点都是相同类型(取名叫entity
),只需要一个属性(叫 name
),所有的边也都是同一类型(取名叫 relation
),边上也只有一个属性(叫 name
)。
比如 (大龙湫,著名景点,芙蓉峰)
可以表示成下图这个样子:
2.数据预处理
按照前一节的分析,原始的每条三元组数据,还需要清洗转换为两个点和一条边才能变成属性图的模型。
下载清洗工具
本文测试的时候,使用的操作系统是ubuntu-20.04.6-desktop-amd64.iso,工具由Golang语言编写而成。
你可以在这里:GitHub - jievince/rdf-converter: convert rdf format data into the format which nebula-importer readsconvert rdf format data into the format which nebula-importer reads - jievince/rdf-converterhttps://github.com/jievince/rdf-converter下载这个简单的清洗工具源代码并编译使用。
该工具会把转换后的顶点的数据写入到 vertex.csv 文件、边数据写入到 edge.csv 文件。
说明:在测试过程中,发现有大量的重复点数据,所以工具里面也做了去重。完全去重后的点的数据大概是 4600 万条,完全去重后的边的数据大概是 1 亿 4000 万条。
清洗完的 vertex.csv
文件长这样:
-2469395383949115281,过度包装
-5567206714840433083,Over Package
3836323934884101628,有的商品故意增加包装层数
1185893106173039861,很多采用实木、金属制品
3455734391170888430,非科学
9183164258636124946,教育
5258679239570815125,成熟市场
-8062106589304861485,"成熟市场是指低增长率,高占有率的市场。"
说明:每一行是一个顶点,第一列整型 -2469395383949115281
是顶点的 ID(叫做 VID
),它是由第二列文字通过 hash
计算出来的,例如 -2469395383949115281
就是由 std::hash("过度包装")
计算出来的值。
清洗完的 edge.csv
文件:
3413383836870836248,-948987595135324087,含义
3413383836870836248,8037179844375033188,定义
3413383836870836248,-2559124418148243756,标签
3413383836870836248,8108596883039039864,标签
2587975790775251569,-4666568475926279810,描述
2587975790775251569,2587975790775251569,中文名称
2587975790775251569,3771551033890875715,外文名称
2587975790775251569,2900555761857775043,地理位置
2587975790775251569,-1913521037799946160,占地面积
2587975790775251569,-1374607753051283066,开放时间
说明:第一列是起点的 VID,第二列是终点的 VID,第三列是这条边的"属性"或者"描述"。
//以下命令主要为Linux命令,Windows或Mac系统的注意变通一下,运行时别把注释带上啦
// Go 语言的构建命令,它用于编译 Go 源代码文件
go build//打印你的数据的前10行,数据叫什么命令就写什么
head ownthink_v2.csv//使用 --path 参数指定知识图谱的三元组数据的路径,这条命令会在当前目录下生成 vertex.csv 文件和 edge.csv 文件
./rdf-converter --path ownthink_v2.csv//打印顶点数据前10行
head vertex.csv//打印边数据前10行
head edge.csv
作者这里偷懒了,其实用Windows物理机跑的(Linux虚拟机性能有限,时间就是生命):
也就1.4亿条数据,这里用了6分钟,当然,如果你说你还是不会,想偷懒,没关系,懒人自有妙计,上述工具只用于清洗 Ownthink 的知识图谱 RDF 数据,将它变成属性图模型。产出结果为一个 vertex.csv 文件和 edge.csv 文件, 分别是清洗后的顶点数据和边数据。目前只对数据进行了简单去重。当然我们可以直接去 kaggle下载完全去重后的数据,(PS:早知道这里有就不用百度网盘下那个数据了)。
三、NebulaGraph 启动准备
1.下载和安装
登陆 GitHub 后,在这里(链接:https://github.com/vesoft-inc/nebula/actions)找到 Nebula 的安装包。
找到你所用系统对应的下载链接:
笔者系统是 CentOS 7.5,下载 CentOS 7.5 最新的压缩包,解压后能找到 rpm 安装包 nebula-5ace754.el7-5.x86_64.rpm
,注意 5ace754
是 git commit 号,使用时可能会有所不同。下载好后解压,输入下面命令进行安装,记得替换成新的 git commit:
$ rpm -ivh nebula-5ace754.el7-5.x86_64.rpm
(1)启动 NebulaGraph 服务
在 命令行 CLI
输入下面命令启动服务
$ /usr/local/nebula/scripts/nebula.service start all
命令执行结果如下:
可以执行以下命令检查服务是否成功启动
$ /usr/local/nebula/scripts/nebula.service status all
命令执行结果如下:
(2)连接 NebulaGraph 服务
输入下面命令连接 NebulaGraph:
$ /usr/local/nebula/bin/nebula -u user -p password
命令执行结果如下:
(3)准备 schema 等元数据
NebulaGraph 的使用风格有点接近 MySQL,需要先准备各种元信息。
新建图空间 space
create space 的概念接近 MySQL 里面 create database。在 nebula console 里面输入下面这个命令。(新版本在Nebula Graph中创建Space时,需要明确指定Space的vid_type
,即Vertex ID的类型。vid_type
可以是FIXED_STRING
或者INT64
,具体取决于你的数据和使用场景,不然会报错[ERROR (-1009)]: SemanticError: space vid_type must be specified explicitly)
nebula> CREATE SPACE test(vid_type=INT64);
进入 test space
nebula> USE test;
创建点类型(entity)
nebula> CREATE TAG entity(name string);
创建边类型 (relation)
nebula> CREATE EDGE relation(name string);
最后简单确认下元数据是不是正确。
查看 entity 标签的属性:
nebula> DESCRIBE TAG entity;
结果如下:
查看 relation 边类型的属性:
nebula> DESCRIBE EDGE relation;
结果如下:
四、使用 nebula-importer 导入数据
执行以下工具的前提是按照linux版本的golang编译器,参考以下教程:
Linux 下安装 Golang(适用于1.18及以上版本)_linux 安装golang-CSDN博客
登陆 GitHub 进入 https://github.com/vesoft-inc/nebula-importer ,nebula-importer 这个工具也是 Golang 语言写的,在这里下载并编译源代码。
另外,准备一个 YAML 配置文件,告诉这个 importer 工具去哪里找 csv 文件。(可直接复制下面这段)
version: v1rc1
description: example
clientSettings:concurrency: 10 # number of graph clientschannelBufferSize: 128space: testconnection:user: userpassword: passwordaddress: 127.0.0.1:3699
logPath: ./err/test.log
files:- path: ./vertex.csvfailDataPath: ./err/vertex.csvbatchSize: 100type: csvcsv:withHeader: falsewithLabel: falseschema:type: vertexvertex:tags:- name: entityprops:- name: nametype: string- path: ./edge.csvfailDataPath: ./err/edge.csvbatchSize: 100type: csvcsv:withHeader: falsewithLabel: falseschema:type: edgeedge:name: relationwithRanking: falseprops:- name: nametype: string
说明:测试时候发现 csv 数据文件中有大量转义字符 (\) 和换行字符 (\r),nebula-importer 也做了处理。
最后:开始导入数据 👏👏
go run importer.go --config ./config.yaml
执行过程如下:
可以看到, 本次导入 QPS 大约在 40 w/s。全部导入总耗时大约 15 min。