gdbwriter.md 14 KB
DataX GDBWriter
1 快速介绍
GDBWriter插件实现了写入数据到GDB实例的功能。GDBWriter通过Gremlin Client连接远程GDB实例，获取Reader的数据，生成写入DSL语句，将数据写入到GDB。
2 实现原理
GDBWriter通过DataX框架获取Reader生成的协议数据，使用g.addV/E(GDB___label).property(id, GDB___id).property(GDB___PK1, GDB___PV1)...语句写入数据到GDB实例。
可以配置Gremlin Client工作在session模式，由客户端控制事务，在一次事务中实现多个记录的批量写入。
3 功能说明
因为GDB中点和边的配置不同，导入时需要区分点和边的配置。
3.1 点配置样例
这里是一份从内存生成点数据导入GDB实例的配置
{ "job": { "setting": { "speed": { "channel": 1 } }, "content": [ { "reader": { "name": "streamreader", "parameter": { "column" : [ { "random": "1,100", "type": "double" }, { "random": "1000,1200", "type": "long" }, { "random": "60,64", "type": "string" }, { "random": "100,1000", "type": "long" }, { "random": "32,48", "type": "string" } ], "sliceRecordCount": 1000 } }, "writer": { "name": "gdbwriter", "parameter": { "host": "gdb-endpoint", "port": 8182, "username": "root", "password": "***", "writeMode": "INSERT", "labelType": "VERTEX", "label": "#{1}", "idTransRule": "none", "session": true, "maxRecordsInBatch": 64, "column": [ { "name": "id", "value": "#{0}", "type": "string", "columnType": "primaryKey" }, { "name": "vertex_propKey", "value": "#{2}", "type": "string", "columnType": "vertexSetProperty" }, { "name": "vertex_propKey", "value": "#{3}", "type": "long", "columnType": "vertexSetProperty" }, { "name": "vertex_propKey2", "value": "#{4}", "type": "string", "columnType": "vertexProperty" } ] } } } ] } }
3.2 边配置样例
这里是一份从内存生成边数据导入GDB实例的配置
注意 下面配置导入边时，需要提前在GDB实例中写入点，要求分别存在id为
person-{{i}}和book-{{i}}的点，其中i取值0~100。{ "job": { "setting": { "speed": { "channel": 1 } }, "content": [ { "reader": { "name": "streamreader", "parameter": { "column" : [ { "random": "100,200", "type": "double" }, { "random": "1,100", "type": "long" }, { "random": "1,100", "type": "long" }, { "random": "2000,2200", "type": "long" }, { "random": "60,64", "type": "string" } ], "sliceRecordCount": 1000 } }, "writer": { "name": "gdbwriter", "parameter": { "host": "gdb-endpoint", "port": 8182, "username": "root", "password": "***", "writeMode": "INSERT", "labelType": "EDGE", "label": "#{3}", "idTransRule": "none", "srcIdTransRule": "labelPrefix", "dstIdTransRule": "labelPrefix", "srcLabel":"person-", "dstLabel":"book-", "session":false, "column": [ { "name": "id", "value": "#{0}", "type": "string", "columnType": "primaryKey" }, { "name": "id", "value": "#{1}", "type": "string", "columnType": "srcPrimaryKey" }, { "name": "id", "value": "#{2}", "type": "string", "columnType": "dstPrimaryKey" }, { "name": "edge_propKey", "value": "#{4}", "type": "string", "columnType": "edgeProperty" } ] } } } ] } }
3.3 参数说明
host
- 描述：GDB实例连接域名，对应阿里云控制台->"图数据库 GDB"->"实例管理"->"基本信息" 中的"内网地址"；
- 必选：是
- 默认值：无
port
- 描述：GDB实例连接端口
- 必选：是
- 默认值：8182
username
- 描述：GDB实例账号名
- 必选：是
- 默认值：无
password
- 描述：图实例账号名对应密码
- 必选：是
- 默认值：无
label
- 描述：类型名，即点/边名称； label支持从源列中读取，如#{0}，表示取第一列字段作为label名。源列索引从0开始；
- 必选：是
- 默认值：无
labelType
- 描述：label类型；
- 枚举值"VERTEX"表示点
- 枚举值"EDGE"表示边
- 必选：是
- 默认值：无
srcLabel
- 描述：当label为边时，表示起点的点名称；srcLabel支持从源列中读取，如#{0}，表示取第一列字段作为label名。源列索引从0开始；
- 必选：labelType为边，srcIdTransRule为none时可不填写，否则必填；
- 默认值：无
dstLabel
- 描述：当label为边时，表示终点的点名称；dstLabel支持从源列中读取，如#{0}，表示取第一列字段作为label名。源列索引从0开始；
- 必选：labelType为边，dstIdTransRule为none时可不填写，否则必填；
- 默认值：无
writeMode
- 描述：导入id重复时的处理模式；
- 枚举值"INSERT"表示会报错，错误记录数加1；
- 枚举值"MERGE"表示更新属性值，不计入错误；
- 枚举值"SKIP"表示跳过，不计入错误
- 必选：是
- 默认值：INSERT
idTransRule
- 描述：主键id转换规则；
- 枚举值"labelPrefix"表示将映射的值转换为{label名}{源字段}
- 枚举值"none"表示映射的值不做转换
- 必选：是
- 默认值："none"
srcIdTransRule
- 描述：当label为边时，表示起点的主键id转换规则；
- 枚举值"labelPrefix"表示映射的值转换为为{label名}{源字段}
- 枚举值"none"表示映射的值不做转换，此时srcLabel 可不填写
- 必选：label为边时必选
- 默认值："none"
dstIdTransRule
- 描述：当label为边时，表示终点的主键id转换规则；
- 枚举值"labelPrefix"表示映射的值转换为为{label名}{源字段}
- 枚举值"none"表示映射的值不做转换，此时dstLabel 可不填写
- 必选：label为边时必选
- 默认值："none"
session
- 描述：是否使用
Gremlin Client的session模式写入数据 - 必选：否
- 默认值：false
- 描述：是否使用
maxRecordsInBatch
- 描述：使用
Gremlin Client的session模式时，一次事务处理的记录数 - 必选：否
- 默认值：16
- 描述：使用
column
- 描述：点/边字段映射关系配置
- 必选：是
- 默认值：无
column -> name
- 描述：点/边映射关系的字段名
- 必选：是
- 默认值：无
column -> value
- 描述：点/边映射关系的字段值；
- #{N}表示直接映射源端值，N为源端column索引，从0开始；#{0}表示映射源端column第1个字段；
- test-#{0} 表示源端值做拼接转换，#{0}值前/后可添加固定字符串;
- #{0}-#{1}表示做多字段拼接，也可在任意位置添加固定字符串，如test-#{0}-test1-#{1}-test2
- 必选：是
- 默认值：无
column -> type
- 描述：点/边映射关系的字段值类型；
- 主键id只支持string类型，GDBWriter插件会强制转换，源id必须保证可转换为string；
- 普通属性支持类型：int, long, float, double, boolean, string
- 必选：是
- 默认值：无
column -> columnType
- 描述：点/边映射关系字段对应到GDB点/边数据的类型，支持以下几类枚举值：
- 公共枚举值：
- primaryKey：表示该字段是主键id
- 点枚举值：
- vertexProperty：labelType为点时，表示该字段是点的普通属性
- vertexSetProperty：labelType为点时，表示该字段是点的SET属性，value是SET属性中的一个属性值
- vertexJsonProperty：labelType为点时，表示是点json属性，value结构请见备注json properties示例，点配置最多只允许出现一个json属性；
- 边枚举值：
- srcPrimaryKey：labelType为边时，表示该字段是起点主键id
- dstPrimaryKey：labelType为边时，表示该字段是终点主键id
- edgeProperty：labelType为边时，表示该字段是边的普通属性
- edgeJsonProperty：labelType为边时，表示是边json属性，value结构请见备注json properties示例，边配置最多只允许出现一个json属性；
- 必选：是
- 默认值：无
- 备注：json properties示例
>
json > {"properties":[ > {"k":"name","t":"string","v":"tom"}, > {"k":"age","t":"int","v":"20"}, > {"k":"sex","t":"string","v":"male"} > ]} > > # json格式同样支持给点添加SET属性，格式如下 > {"properties":[ > {"k":"name","t":"string","v":"tom","c":"set"}, > {"k":"name","t":"string","v":"jack","c":"set"}, > {"k":"age","t":"int","v":"20"}, > {"k":"sex","t":"string","v":"male"} > ]} >
4 性能报告
4.1 环境参数
GDB实例规格
- 16core 128GB, 1TB SSD
DataX压测机器
- cpu: 4 * Intel(R) Xeon(R) Platinum 8163 CPU @ 2.50GHz
- mem: 16GB
- net: 千兆双网卡
- os: CentOS 7, 3.10.0-957.5.1.el7.x86_64
- jvm: -Xms4g -Xmx4g
4.2 数据特征
{
id: random double(1~10000)
from: random long(1~40000000)
to: random long(1~40000000)
label: random long(20000000 ~ 20005000)
propertyKey: random string(len: 120~128)
propertyName: random string(len: 120~128)
}
- 点/边都有一个属性，属性key和value都是长度120~128字节的随机字符串
- label是范围20000000 ~ 20005000的随机整数转换的字符串
- id是浮点数转换的字符串，防止重复
- 边包含关联起点和终点，测试边时已经提前导入twitter数据集的点数据(4200W)
4.3 任务配置
分点和边的配置，具体配置与上述的示例配置相似，下面列出关键的差异点
增加并发任务数量
"channel": 32
使用session模式
"session": true
增加事务批量处理记录个数
"maxRecordsInBatch": 128
4.4 测试结果
点导入性能：
- 任务平均流量： 4.07MB/s
- 任务总计耗时： 412s
- 记录写入速度： 15609rec/s
- 读出记录总数： 6400000
边导入性能：
- 任务平均流量： 2.76MB/s
- 任务总计耗时： 1602s
- 记录写入速度： 10000rec/s
- 读出记录总数： 16000000
5 约束限制
- 导入边记录前要求GDB中已经存在边关联的起点/终点
- GDBWriter插件与用户查询DSL使用相同的GDB实例端口，导入时可能会影响查询性能
FAQ
- 使用SET属性需要升级GDB实例到
1.0.20版本及以上。 - 边只支持普通单值属性，不能给边写SET属性数据。