前言
本文由 Nebula Graph 實習生@王傑貢獻。
最近 @Yener 開源了史上最大規模的中文知識圖譜——OwnThink（鏈接：https://github.com/ownthink/KnowledgeGraphData ），數據量為 1.4 億條。
本文介紹如何將這份數據快速導入圖數據庫 Nebula Graph，全過程大約需要 30 分鍾。
中文知識圖譜 OwnThink 簡介
思知（OwnThink）
知識圖譜是由 Google 在 2012 年提出來的一個概念。主要是用來描述真實世界中存在的各種實體和概念，以及他們之間的關系。在搜索引擎、問答機器人、知識抽取等多個領域有着諸多應用。
最近 Yener 開源了史上最大規模的中文知識圖譜—— OwnThink（鏈接：https://github.com/ownthink/KnowledgeGraphData），數據量為 1.4 億條。數據以 (實體, 屬性, 值) 和 (實體, 關系, 實體) 混合的三元組形式存儲，數據格式為 csv。
可以點擊這里下載：https://nebula-graph.oss-accelerate.aliyuncs.com/ownthink/kg_v2.tar.gz
查看原始文件
由於 ownthink_v2.csv 數據過多，摘錄部分數據為例：
紅色食品,描述,紅色食品是指食品為紅色、橙紅色或棕紅色的食品。
紅色食品,是否含防腐劑,否
紅色食品,主要食用功效,預防感冒，緩解疲勞
紅色食品,用途,增強表皮細胞再生和防止皮膚衰老
大龍湫,描述,雁盪山景區分散，東起羊角洞，西至鋸板嶺；南起筋竹溪，北至六坪山。
大龍湫,中文名稱,大龍湫
大龍湫,外文名稱,big dragon autrum
大龍湫,門票價格,50元
大龍湫,著名景點,芙蓉峰
姚明[中國籃球協會主席、中職聯公司董事長],妻子,葉莉
這里的 (紅色食品,是否含防腐劑,否) 就是典型的 (實體, 屬性, 值) 形式的三元組數據; 而 (姚明[中國籃球協會主席、中職聯公司董事長],妻子,葉莉) 是典型的 (實體, 關系, 實體) 形式的三元組數據。
Step 1. 數據建模與清洗准備
建模
Nebula Graph 是一個開源的分布式圖數據庫（鏈接：https://github.com/vesoft-inc/nebula），相比 Neo4j 來說，它的主要特點是完全的分布式，因此圖數據庫 Nebula Graph 適合處理數據量超過單機的場景。
圖數據庫通常支持的數據模型為有向屬性圖（directed property graph）。圖中的每個頂點（vertex）可以用標簽（tag）來表示類型（Neo4j 叫做 Label），頂點和頂點之間的關系用邊（edge）連接起來。每種 tag 和 edge 還可以帶有屬性。——然而，這些功能對於知識圖譜的三元組數據沒什么意義:
分析上圖的三元組數據，發現無論是 (實體, 屬性, 值) 形式的三元組數據，還是 (實體, 關系, 實體) 形式的三元組數據，每條三元組數據均可以建模成兩個點和一條邊的形式。前者三元組中的“實體”和“值”建模為兩個點（起點、終點），“屬性”建模為一條邊，后者三元組中的兩個“實體”也建模為兩個點（起點、終點），“關系”建模為一條邊.
而且，所有的點都是相同類型（取名叫entity ），只需要一個屬性（叫 name )，所有的邊也都是同一類型(取名叫 relation ），邊上也只有一個屬性（叫 name ）。
比如 (大龍湫,著名景點,芙蓉峰) 可以表示成下圖這個樣子：
數據清洗和預處理
按照前一節的分析，原始的每條三元組數據，還需要清洗轉換為兩個點和一條邊才能變成屬性圖的模型。
下載清洗工具
本文測試的時候，使用的操作系統是 CentOS 7.5，工具由 Golang 語言編寫而成。
你可以在這里 (鏈接：https://github.com/jievince/rdf-converter) 下載這個簡單的清洗工具源代碼並編譯使用。
該工具會把轉換后的頂點的數據寫入到 vertex.csv 文件、邊數據寫入到 edge.csv 文件。
說明：在測試過程中，發現有大量的重復點數據，所以工具里面也做了去重。完全去重后的點的數據大概是 4600 萬條，完全去重后的邊的數據大概是 1 億 4000 萬條。
清洗完的 vertex.csv 文件長這樣：
-2469395383949115281,過度包裝
-5567206714840433083,Over Package
3836323934884101628,有的商品故意增加包裝層數
1185893106173039861,很多采用實木、金屬制品
3455734391170888430,非科學
9183164258636124946,教育
5258679239570815125,成熟市場
-8062106589304861485,"成熟市場是指低增長率,高占有率的市場。"
說明：每一行是一個頂點，第一列整型 -2469395383949115281 是頂點的 ID（叫做 VID），它是由第二列文字通過 hash 計算出來的，例如 -2469395383949115281 就是由 std::hash("過度包裝") 計算出來的值。
清洗完的 edge.csv 文件:
3413383836870836248,-948987595135324087,含義
3413383836870836248,8037179844375033188,定義
3413383836870836248,-2559124418148243756,標簽
3413383836870836248,8108596883039039864,標簽
2587975790775251569,-4666568475926279810,描述
2587975790775251569,2587975790775251569,中文名稱
2587975790775251569,3771551033890875715,外文名稱
2587975790775251569,2900555761857775043,地理位置
2587975790775251569,-1913521037799946160,占地面積
2587975790775251569,-1374607753051283066,開放時間
說明：第一列是起點的 VID，第二列是終點的 VID，第三列是這條邊的"屬性"或者"描述"。
在本機完全去重的清洗程序運行時間大約是 6 分鍾。
Step 2. Nebula Graph 啟動准備
下載和安裝
登陸 GitHub 后，在這里 (鏈接：https://github.com/vesoft-inc/nebula/actions) 找到 Nebula 的安裝包。
找到你所用系統對應的下載鏈接：
筆者系統是 CentOS 7.5，下載 CentOS 7.5 最新的壓縮包，解壓后能找到 rpm 安裝包 nebula-5ace754.el7-5.x86_64.rpm，注意 5ace754 是 git commit 號，使用時可能會有所不同。下載好后解壓，輸入下面命令進行安裝，記得替換成新的 git commit：
$ rpm -ivh nebula-5ace754.el7-5.x86_64.rpm
啟動 Nebula Graph 服務
在 命令行 CLI 輸入下面命令啟動服務
$ /usr/local/nebula/scripts/nebula.service start all
命令執行結果如下：
可以執行以下命令檢查服務是否成功啟動
$ /usr/local/nebula/scripts/nebula.service status all
命令執行結果如下：
連接 Nebula Graph 服務
輸入下面命令連接 Nebula Graph：
$ /usr/local/nebula/bin/nebula -u user -p password
命令執行結果如下：
准備 schema 等元數據
Nebula Graph 的使用風格有點接近 MySQL，需要先准備各種元信息。
新建圖空間 space
create space 的概念接近 MySQL 里面 create database。在 nebula console 里面輸入下面這個命令。
nebula> CREATE SPACE test;
進入 test space
nebula> USE test;
創建點類型（entity）
nebula> CREATE TAG entity(name string);
創建邊類型 (relation)
nebula> CREATE EDGE relation(name string);
最后簡單確認下元數據是不是正確。
查看 entity 標簽的屬性：
nebula> DESCRIBE TAG entity;
結果如下：
查看 relation 邊類型的屬性：
nebula> DESCRIBE EDGE relation;
結果如下：
Step 3. 使用 nebula-importer 導入數據
登陸 GitHub 進入 https://github.com/vesoft-inc/nebula-importer ，nebula-importer 這個工具也是 Golang 語言寫的，在這里下載並編譯源代碼。
另外，准備一個 YAML 配置文件，告訴這個 importer 工具去哪里找 csv 文件。（可直接復制下面這段）
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
說明：測試時候發現 csv 數據文件中有大量轉義字符 (\) 和換行字符 (\r)，nebula-importer 也做了處理。
最后：開始導入數據 👏👏
go run importer.go --config ./config.yaml
執行過程如下：
可以看到, 本次導入 QPS 大約在 40 w/s。全部導入總耗時大約 15 min。
Step 4. 隨便讀點什么試試
導入完畢后，我們可以使用 Nebula Graph 服務做一些簡單的查詢。回到 Nebula Graph 的命令行 CLI ：
$ /usr/local/nebula/bin/nebula -u user -p password
進入剛才導入的三元組數據的 test 空間：
nebula> USE test;
現在，我們可以做一些簡單查詢
- 例 1：與姚明有直接關聯的邊的類型和點的屬性
(user@127.0.0.1) [test]> GO FROM hash("姚明[中國籃球協會主席、中職聯公司董事長]") OVER relation YIELD relation.name AS Name, $$.entity.name AS Value;
執行結果如下：
可以看到：本次查詢返回 51 條數據，耗時 3 ms 左右；
- 例2：查詢姚明和其妻子葉莉在三跳之內的所有路徑
(user@127.0.0.1) [test]> FIND ALL PATH FROM hash("姚明[中國籃球協會主席、中職聯公司董事長]") TO hash("葉莉") OVER relation UPTO 3 STEPS;
執行結果如下：
當數據量較大時，查找全路徑/最短經之類的操作會比較耗時。可以看到：本次查詢返回 8 條數據，說明姚明和其妻子葉莉在三跳之內共有 8 條直接或間接的關系。
總結
本篇文章涉及到的一些概念和鏈接：
- OwnThink 的中文知識圖譜數據：https://github.com/ownthink/KnowledgeGraphData。它的數據以三元組形式保存為 csv
- Nebula Graph 是一個開源的圖數據庫，GitHub 地址：https://github.com/vesoft-inc/nebula，和 Neo4j 相比，它是分布式的
- 數據清洗工具，GitHub 地址：https://github.com/jievince/rdf-converter。因為原始的圖譜 ownthink_v2.csv 數據以三元組形式保存，並和一般圖數據庫的屬性圖模型略微有些不同，所以寫了一個 Go 語言工具將原始 ownthink_v2.csv 變成 vertex.csv 和 edge.csv
- 數據導入工具，GitHub 地址：https://github.com/vesoft-inc/nebula-importer。將清洗完的 vertex.csv 和 edge.csv 批量寫入到 Nebula Graph。
后面的工作
- 調整 Nebula 的參數。似乎默認的日志級別和內存都不是很好，可以用下面這個命令關閉日志，這樣導入性能可以好很多。
curl "http://127.0.0.1:12000/set_flags?flag=minloglevel&value=4"
- 寫個對應的 Python 版本示例
附錄
Nebula Graph GitHub 地址：https://github.com/vesoft-inc/nebula ，加入 Nebula Graph 交流群，請聯系 Nebula Graph 官方小助手微信號：NebulaGraphbot
Nebula Graph：一個開源的分布式圖數據庫。