V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
NebulaGraph
V2EX  ›  推广

使用图数据库 Nebula Graph 数据导入快速体验知识图谱 OwnThink

  •  
  •   NebulaGraph · 2019-11-26 11:35:18 +08:00 · 978 次点击
    这是一个创建于 1584 天前的主题,其中的信息可能已经有所发展或是发生改变。

    前言

    本文由 Nebula Graph 实习生 @王杰贡献。

    最近 @Yener 开源了史上最大规模的中文知识图谱——OwnThink(链接:https://github.com/ownthink/KnowledgeGraphData ),数据量为 1.4 亿条。

    本文介绍如何将这份数据快速导入图数据库 Nebula Graph,全过程大约需要 30 分钟。

    中文知识图谱 OwnThink 简介

    思知( OwnThink )

    知识图谱是由 Google 在 2012 年提出来的一个概念。主要是用来描述真实世界中存在的各种实体和概念,以及他们之间的关系。在搜索引擎、问答机器人、知识抽取等多个领域有着诸多应用。

    最近 Yener 开源了史上最大规模的中文知识图谱—— OwnThink(链接:https://github.com/ownthink/KnowledgeGraphData),数据量为 1.4 亿条。数据以 (实体, 属性, 值) 和 (实体, 关系, 实体) 混合的三元组形式存储,数据格式为 csv。

    可以点击这里下载:https://nebula-graph.oss-accelerate.aliyuncs.com/ownthink/kg_v2.tar.gz

    查看原始文件

    由于 ownthink_v2.csv 数据过多,摘录部分数据为例:

    红色食品,描述,红色食品是指食品为红色、橙红色或棕红色的食品。
    红色食品,是否含防腐剂,否
    红色食品,主要食用功效,预防感冒,缓解疲劳
    红色食品,用途,增强表皮细胞再生和防止皮肤衰老
    大龙湫,描述,雁荡山景区分散,东起羊角洞,西至锯板岭;南起筋竹溪,北至六坪山。
    大龙湫,中文名称,大龙湫
    大龙湫,外文名称,big dragon autrum
    大龙湫,门票价格,50 元
    大龙湫,著名景点,芙蓉峰
    姚明[中国篮球协会主席、中职联公司董事长],妻子,叶莉
    

    这里的 (红色食品,是否含防腐剂,否) 就是典型的 (实体, 属性, 值) 形式的三元组数据; 而 (姚明[中国篮球协会主席、中职联公司董事长],妻子,叶莉) 是典型的 (实体, 关系, 实体) 形式的三元组数据。

    Step 1. 数据建模与清洗准备

    建模

    Nebula Graph 是一个开源的分布式图数据库(链接:https://github.com/vesoft-inc/nebula),相比 Neo4j 来说,它的主要特点是完全的分布式,因此图数据库 Nebula Graph 适合处理数据量超过单机的场景

    GitHub 主页

    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:

    image

    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一条边的形式。前者三元组中的“实体”和“”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 )。

    image

    比如 (大龙湫,著名景点,芙蓉峰) 可以表示成下图这个样子:

    image

    数据清洗和预处理

    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 CentOS 7.5,工具由 Golang 语言编写而成。

    你可以在这里 (链接:https://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"。

    在本机完全去重的清洗程序运行时间大约是 6 分钟。

    Step 2. Nebula Graph 启动准备

    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。

    action

    找到你所用系统对应的下载链接:

    package

    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
    

    启动 Nebula Graph 服务

    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:

    image

    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:

    image

    连接 Nebula Graph 服务

    输入下面命令连接 Nebula Graph:

    $ /usr/local/nebula/bin/nebula -u user -p password
    

    命令执行结果如下:

    image

    准备 schema 等元数据

    Nebula Graph 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。

    nebula> CREATE SPACE test;
    

    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:

    image

    查看 relation 边类型的属性

    nebula> DESCRIBE EDGE relation;
    

    结果如下:

    image

    Step 3. 使用 nebula-importer 导入数据

    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。

    importer

    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 clients
      channelBufferSize: 128
      space: test
      connection:
        user: user
        password: password
        address: 127.0.0.1:3699
    logPath: ./err/test.log
    files:
    - path: ./vertex.csv
        failDataPath: ./err/vertex.csv
        batchSize: 100
        type: csv
        csv:
          withHeader: false
          withLabel: false
        schema:
          type: vertex
          vertex:
            tags:
              - name: entity
                props:
                  - name: name
                    type: string
      - path: ./edge.csv
        failDataPath: ./err/edge.csv
        batchSize: 100
        type: csv
        csv:
          withHeader: false
          withLabel: false
        schema:
          type: edge
          edge:
            name: relation
            withRanking: false
            props:
              - name: name
                type: 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:

    image

    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。

    Step 4. 随便读点什么试试

    导入完毕后,我们可以使用 Nebula Graph 服务做一些简单的查询。回到 Nebula Graph 的命令行 CLI :

    $ /usr/local/nebula/bin/nebula -u user -p password
    

    进入刚才导入的三元组数据的 test 空间:

    nebula> USE test;
    

    现在,我们可以做一些简单查询

    • 例 1:与姚明有直接关联的边的类型和点的属性
    ([email protected]) [test]> GO FROM hash("姚明[中国篮球协会主席、中职联公司董事长]") OVER relation  YIELD relation.name AS Name, $$.entity.name AS Value;
    

    执行结果如下:

    result

    可以看到:本次查询返回 51 条数据,耗时 3 ms 左右;

    • 例 2:查询姚明和其妻子叶莉在三跳之内的所有路径
    ([email protected]) [test]> FIND ALL PATH FROM hash("姚明[中国篮球协会主席、中职联公司董事长]")  TO hash("叶莉") OVER relation UPTO 3 STEPS; 
    

    执行结果如下:

    image

    当数据量较大时,查找全路径 /最短经之类的操作会比较耗时。可以看到:本次查询返回 8 条数据,说明姚明和其妻子叶莉在三跳之内共有 8 条直接或间接的关系。

    总结

    本篇文章涉及到的一些概念和链接:

    后面的工作

    • 调整 Nebula 的参数。似乎默认的日志级别和内存都不是很好,可以用下面这个命令关闭日志,这样导入性能可以好很多。
    curl "http://127.0.0.1:12000/set_flags?flag=minloglevel&value=4"
    
    • 写个对应的 Python 版本示例

    附录

    Nebula Graph GitHub 地址:https://github.com/vesoft-inc/nebula  ,加入 Nebula Graph 交流群,请联系 Nebula Graph 官方小助手微信号:NebulaGraphbot

    Nebula Graph:一个开源的分布式图数据库。

    GitHub:https://github.com/vesoft-inc/nebula

    知乎:https://www.zhihu.com/org/nebulagraph/posts

    微博:https://weibo.com/nebulagraph

    目前尚无回复
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   我们的愿景   ·   实用小工具   ·   2844 人在线   最高记录 6543   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 28ms · UTC 15:22 · PVG 23:22 · LAX 08:22 · JFK 11:22
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.