使用圖資料庫 Nebula Graph 資料匯入快速體驗知識圖譜 OwnThink
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（連結：https://github.com/ownthink/KnowledgeGraphData ），資料量為 1.4 億條。
本文介紹如何將這份資料快速匯入圖資料庫 Nebula Graph，全過程大約需要 30 分鐘。
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，以及他們之間的關係。在搜尋引擎、問答機器人、知識抽取等多個領域有著諸多應用。
最近 Yener 開源了史上最大規模的中文知識圖譜—— OwnThink（連結：https://github.com/ownthink/KnowledgeGraphData），資料量為 1.4 億條。資料以 (實體, 屬性, 值)
(實體, 關係, 實體) 混合的三元組形式儲存，資料格式為 csv。
可以點選這裡下載：https://nebula-graph.oss-accelerate.aliyuncs.com/ownthink/kg_v2.tar.gz
檢視原始檔案
由於 ownthink_v2.csv 資料過多，摘錄部分資料為例：
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面板衰老 大龍湫,描述,雁蕩山景區分散，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
這裡的 (紅色食品,是否含防腐劑,否) 就是典型的 (實體, 屬性, 值) 形式的三元組資料; 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, 關係, 實體) 形式的三元組資料。
Step 1. 資料建模與清洗準備
建模
Nebula Graph 是一個開源的分散式圖資料庫（連結：https://github.com/vesoft-inc/nebula），相比 Neo4j 來說，它的主要特點是完全的分散式，因此圖資料庫 Nebula Graph 適合處理資料量超過單機的場景。
圖資料庫通常支援的資料模型為有向屬性圖（directed property graph）。圖中的每個頂點（vertex）可以用標籤（tag）來表示型別（Neo4j 叫做 Label），頂點和頂點之間的關係用邊（edge）連線起來。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資料沒什麼意義:
分析上圖的三元組資料，發現無論是 (實體, 屬性, 值) 形式的三元組資料，還是 (實體, 關係, 實體) 形式的三元組資料，每條三元組資料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，後者三元組中的兩個“實體”也建模為兩個點（起點、終點），“關係”建模為一條邊.
而且，所有的點都是相同型別（取名叫entity ），只需要一個屬性（叫 name )，所有的邊也都是同一型別(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：
資料清洗和預處理
按照前一節的分析，原始的每條三元組資料，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，使用的作業系統是 CentOS 7.5，工具由 Golang 語言編寫而成。
你可以在這裡 (連結：https://github.com/jievince/rdf-converter) 下載這個簡單的清洗工具原始碼並編譯使用。
該工具會把轉換後的頂點的資料寫入到 vertex.csv 檔案、邊資料寫入到 edge.csv 檔案。
說明：在測試過程中，發現有大量的重複點資料，所以工具裡面也做了去重。完全去重後的點的資料大概是 4600 萬條，完全去重後的邊的資料大概是 1 億 4000 萬條。
清洗完的 vertex.csv 檔案長這樣：
-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、金屬製品
3455734391170888430,非科學
9183164258636124946,教育
5258679239570815125,成熟市場
-8062106589304861485,"成熟市場是指低增長率,高佔有率的市場。"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 檔案:
3413383836870836248,-948987595135324087,含義
3413383836870836248,8037179844375033188,定義
3413383836870836248,-2559124418148243756,標籤
3413383836870836248,8108596883039039864,標籤
2587975790775251569,-4666568475926279810,描述
2587975790775251569,2587975790775251569,中文名稱
2587975790775251569,3771551033890875715,外文名稱
2587975790775251569,2900555761857775043,地理位置
2587975790775251569,-1913521037799946160,佔地面積
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式執行時間大約是 6 分鐘。
Step 2. Nebula Graph 啟動準備
下載和安裝
登陸 GitHub 後，在這裡 (連結：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連結：
筆者系統是 CentOS 7.5，下載 CentOS 7.5 最新的壓縮包，解壓後能找到 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。下載好後解壓，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 命令列 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：
連線 Nebula Graph 服務
輸入下面命令連線 Nebula Graph：
$ /usr/local/nebula/bin/nebula -u user -p password命令執行結果如下：
準備 schema 等元資料
Nebula Graph 的使用風格有點接近 MySQL，需要先準備各種元資訊。
新建圖空間 space
create space 的概念接近 MySQL 裡面 create database。在 nebula console 裡面輸入下面這個命令。
nebula> CREATE SPACE test;進入 test space
nebula> USE test;建立點型別（entity）
nebula> CREATE TAG entity(name string);建立邊型別 (relation)
nebula> CREATE EDGE relation(name string);最後簡單確認下元資料是不是正確。
檢視 entity 標籤的屬性：
nebula> DESCRIBE TAG entity;結果如下：
檢視 relation 邊型別的屬性：
nebula> DESCRIBE EDGE relation;結果如下：
Step 3. 使用 nebula-importer 匯入資料
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，在這裡下載並編譯原始碼。
另外，準備一個 YAML 配置檔案，告訴這個 importer 工具去哪裡找 csv 檔案。（可直接複製下面這段）
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 資料檔案中有大量轉義字元 (\) 和換行字元 (\r)，nebula-importer 也做了處理。
最後：開始匯入資料