有了 ETL 数据神器 dbt，表数据秒变 NebulaGraph 中的图数据
本文搭配同主题分享视频阅读更佳，《多数据源的数据治理实践》
如果你装好某款数据库产品，比如：分布式图数据库 NebulaGrpah，跃跃欲试的第一步是不是就让它干活搞数据呢？好的，现在问题来了，如何把相对原始的数据处理、建模并导入 NebulaGraph 呢？本文是一个端到端的示例演示，从多数据源聚合数据，清理、利用 dbt 转换成 NebulaGraph 建模的属性图点边记录，最后导入成图谱的全流程。
构建知识图谱
现在假设你是一个类似于 Netflix、爱奇艺之类的视频服务提供商，我们需要利用图数据库搭建一个 用户-电影 的知识图谱，来辅助、支撑视频推荐、问答和推荐理由等常见由图谱支撑的场景。由于时间的关系，这里先用我们熟悉的老朋友——图数据库 NebulaGraph 来搞定知识图谱。
一般来说，知识图谱需要的数据会有不同的数据来源，比如一些公开的 API、数仓中的不同数据库、静态文件。这时候，我们如果要构建知识图谱，需要以下 3 个步骤：
分析可能获取的数据；
选取关心的关联关系，图建模；
抽取关联关系，导入图数据库。
数据源
这里我们会用到两个数据源 OMDB 和 MovieLens。
OMDB 是一个开放的电影数据库，将用来模拟公司内部的业务数据。我们可以获得的信息有：
电影
电影的分类
电影中的工作人员，包括：导演、动作指导、演员、后期制作等人员信息
电影封面、宣传片等电影信息
MovieLens 是一个开放的数据集，用来模拟公司内部的用户数据。我们可以获得的信息有：
用户
电影
用户对电影的评分交互
图建模
在之前的文章《基于图数据库的推荐系统》 里我们介绍了推荐系统的图数据库基本用法。在那篇文章中，内容过滤侧重关注 用户-->电影、电影-->分类、电影-->演员、电影-->导演 等关系，协同过滤则关注 用户-->电影 的关系，以及推荐理由服务关注以上所有的关系。
总结起来，我们需要的边有：
watched(rate(double))
with_genre
directed_by
acted_by
结合已有信息，相对应地将顶点中可能需要被关注的信息作为属性，给出点 tag 的初始规划：
user(user_id)
movie(name)
person(name, birthdate)
genre(name)
表数据到知识图谱的映射
有了目标的图谱结构定义，我们来看看手上的数据如何映射到它。
OMDB 数据
首先是 OMDB 数据，它由很多表组成，比如 all_movies 这张表，存储了所有的电影、以及它们在不同语言下的名字：
而 all_casts 表格中保有所有电影相关的工作人员：
但是这里的每一个人的姓名等信息、以及他/她在电影中任职的职位，则分别在表 job_names 和 all_people 中：
这里讲解下 job_names 表，1 代表编剧、2 代表制作人。有意思的是，和上表的电影 id 与 name 字段一样，job_id 到 name 也是一对多的关系，因为 OMDB 中的数据都是多语言的。
下面这张表是 all_people：
这是在数据来源是表结构、RDBMS 中，是一个很典型的情况，所以对于 movie <-[directed_by]-(person) 这个关系，就涉及了 all_movies，all_casts，all_people，job_names 四个表格：
directed_by
起点 person_id 在
all_casts之中终点 movie_id 在
all_casts之中条件是 job_id 为
job_names之中的 “director”movie
person_id 在
all_casts之中名字来自
all_movies中按 id 查找，language 为 “en”person
movie_id 在
all_casts之中name、birthday 在
all_people之中
所有 OMDB 中我们关心的表的关联如图：
MovieLens 数据集
上面我们讲述了单数据源的场景，只有单一数据源、数据表或者数仓的数据。但在真实场景中，我们还需要从其他源头收取数据，并聚合起来。在本例中，我们还需要从 MovieLens 的数据集中抽取需要的知识。
这里，涉及到 MovieLens 数据集，我们利用的只有：用户-->电影，这一条关系。
movies.csv 数据：
ratings.csv 数据：
从两个表的数据预览似乎可以得出：
watched
起点来自于
ratings.csv中的 userId终点来自于
ratings.csv中的 movieId评分来自于
ratings.csv中的 ratinguser
来自于
ratings.csv中的 userId
然而，细心的你们一定发现 MovieLens 数据集中的 movieId 和来自于 OMDB 中的电影 id 完全是不同的两套体系。如果我们需要让它们关联起来，需要将 MovieLens 里的 movieId 转换成为 OMDB 中的电影 id，而它们之间的关联条件则是电影的标题。
但是，通观察我们知道：
OMDB 电影中标题是多语言的
MovieLens 中的标题结尾带有
(1995)这样的年份信息
所以我们最终的结论为
watched
起点来自于
ratings.csv中的 userId终点来自于
ratings.csv中的 movieId，终点要从movies.csv中的 title ，在 OMDB 之中查找，得到 OMDB 的 movie_id。查找条件为去掉年份，从 OMDB 的英文标题中进行匹配评分来自于
ratings.csv中的 ratinguser
来自于
ratings.csv中的 userId
现在，这个表格之间的关系如下
映射数据到图谱（属性图）
到这里小结下，我们需要对多个数据源中的不同表格（或者表格形式的 CSV 文件）进行聚合，这样的对应关系如图所示：蓝色虚线表示图中顶点的数据信息来源，粉色虚线表示边信息的来源。
此外，我们还要对不同表中个体的 id 进行格式化，比如 user_id，是自增的数字，我们要转换成全局唯一的 vertex_id。比较方便的方法是在现有 id 的基础上增加字符串前缀，比如 u_。
最终，以 user -[watched]-> movie 关系为例，我们可以处理得到这样的表结构数据：
其中每一行记录中存在三个图上的结构信息：
user 顶点 id
movie 顶点 id
watched 边的 rating 值
数据工具
好的，我们现在已经完成了数据的分析与建模设计，在进入”抽取关联关系，导入图数据库“环节之前，先介绍一下我们要用到的工具。
”抽取关联关系“可以简单认为是 ETL 中的 Extract 和 Transform。本质上就是工程上执行数据映射与转换的工作，市面上有很多不同风格的工具、开源项目可以做 ETL 这件事。这里我们用到我个人比较喜欢的工具：dbt。
数据转换利器 dbt
dbt 是一个开源的数据转换工具，它有非常成熟的社区和生态，可以在大多数主流数仓之中进行高效、可控、高质量的数据转换工作。无论是临时的转换工作（ad-hoc），还是在给定的定时 pipeline 中进行复杂编排，dbt 都可以很好胜任。它的一大特色就是使用 SQL LIKE 语言去描述数据转换的规则。此外，它还基于 GitOps 可以非常优雅地多人协作、维护超大规模数据团队里复杂的数据处理作业。而 dbt 内置的数据测试能力可以很好地控制数据质量，可复现、控制数据问题。
dbt 不仅有许多集成的子项目，还能和像是 Meltano、Airflow、Amundsen、Superset 之类的优秀开源项目有机地结合，形成一整套现代的数据基础设施体系。对具体实践感兴趣的同学可以阅读文末「参考资料中」的数据治理实践。
简单来说，dbt 是一个 Python 写的命令行工具。针对不同的项目，我们可以用 dbt 创建特定格式的项目文件夹，它会自带一个 .yaml 配置文件。我们要在配置文件里指定数据转换的来源信息在哪里，目标在哪里（处理之后的数据存储的地方，可能是 PostgreSQL、BigQuery、Spark 等）。在数据源中，我们用 yaml 文件和 .sql 文件一起描述了”从哪里取哪些数据，如何做变换，输出什么“的信息。
这个截图就是 dbt 官方文档中的示例项目中的文件和配置，可以看到 models/example 里的信息就是最核心的数据转换 transform 的规则，而所有的其他数据都是和这个数据转换相关的元数据，这些 dbt 项目文件非常适合用 git 来进行维护，进行现代、自动化的 DataOps。
NebulaGraph 数据导入
经过 dbt 对数据进行处理之后，我们可以得到直接映射到不同类型的顶点、边、及其属性的表结构的中间数据，它们可以是 CSV 的文件形式，也可以是数仓中的表，甚至可能是 Spark 中的 DataFrame。而将它们导入 NebulaGraph 有不同的选择，可以选数据导入工具 NebulaGraph Exchange、NebulaGraph Importer、NebulaGraph Spark Connector 的任意一款。
在这里，用最简单的 NebulaGraph Importer 作为例子。
NebulaGraph Importer 是一个用 Golang 写的开源数据工具。它可以编译成一个单文件的二进制，通过预配置的 yaml 格式的文件，读取指定 CSV 文件映射到 NebulaGraph 中点、边关系数据。
实操
现在，我们来实操下如何利用 dbt + NebulaGraph Importer 进行多数据源聚合、转换，再导入 NebulaGraph 的过程。整个项目的代码已经开源，仓库在 https://github.com/wey-gu/movie-recommendation-dataset 上，欢迎大家参考、共建。
整个实操过程如下：
将源数据简单清洗、导入数仓 PostgreSQL（EL）
用 dbt 对数据进行转换 Transform、导出为 CSV 文件
用 NebulaGraph Importer 将 CSV 导入 NebulaGraph（L）
准备 dbt 环境
dbt 是一个 Python 项目，我们在一个虚拟的 Python 3 环境里安装好 dbt 和 dbt-postgres。
创建一个 dbt 项目，并进入到空的项目里：
看看里边的文件吧：
最后，咱们拉一个容器里的 Postgres 当做我们这个项目的数仓。如果你已经有各种其他数仓，就不需要这一步了，不过要把项目中的配置文件作相应的修改，并安装相应的 dbt 插件。
数据下载与预处理
我们把数据放到项目的 raw_data 下吧。
注意，假设 raw_data 在 dbt_proeject 之下：
我们把 OMDB 数据下载之后，再解压：
然后是 MovieLens 数据集的下载、解压：
在导入数仓进行转换 Transform 之前我们做一些数据的预处理，把它们放到 seeds 之下。
有了 seeds 下边的文件之后，可以用一个命令把他们导入到数仓里：
执行过程因数仓而异，用本地的 Postgres 可能要等一会儿才能完成，执行结果大概是这样的：
撰写 Transform model
我们创建 model 如下：
这时候 models 中的文件结构大概是这样的：
这个 model 下边目前只有一个规则，就是负责处理用户观看电影这条边上数据的 SQL 语句。
我们希望输出三列，所以 schema.yml 中的内容是：
注意，这里的 tests 的表达是对数据验证、测试的约束。有了它，我可以用 dbt 轻松地对数据质量进行测试、验收，比如：我们要求这里的三个字段都是 not_null。
然后，我们来写 SQL 吧，user_watched_movies.sql：
而这个 SQL 做的事情就是绿色圆圈标注的部分：
从
movielens_ratings中选 user id、movie id、rating、movie title（去掉年份），存成user_watched_movies的中间表格movie title 从
movielens_movies中JOIN，通过movie_id相同的匹配条件取得从
user_watched_movies中选 user id（增加前缀u_）、rating、title、OMDB_movie_idOMDB_movie_id 从
all_movie_aliases_iso中JOIN，通过相似的电影姓名匹配 OMDB 电影中英文标题取得最终的字段作为输出
当然，我们可以在 Postgres 的连接器中通过增加 LIMIT 快速调试自己的 SQL 语句。
现在我们来通过 dbt 执行、测试刚刚的规则：
之后，我们应该就可以在 Postgres（数仓）中看到我们转换之后的一个表了。
类似的，如法炮制所有其他部分的 Transform 规则，我们就获得了这么多 model 了：
再对他们分别执行 transform：
导出数据为 CSV
实际上，NebulaGraph Exchange 本身就支持把很多数据源（Postgres，ClickHouse，MySQL，Hive 等等）导入 NebulaGraph。只是在这个例子中，我们处理的数据量对于 NebulaGraph 来说非常非常小（只有百万级别的边而已），所以使用最轻量级的 NebulaGraph Importer 就足够了。而 NebulaGraph Importer 能消费的数据只有 CSV 文件，所以我们把刚才的表都输出为文件。
首先，我们进入 Postgres 的 Console，执行 COPY 命令
再把 Postgres 容器里的文件导入到 to_nebulagraph 这个文件夹里：
导入 NebulaGraph
创建 NebulaGraph 集群
我们可以用 Nebula Up 一键拉起一个测试的 NebulaGraph 单机集群，导入所需数据：
创建 Schema
首先，我们创建一个叫做 moviegraph 的图空间。针对前面的建模，创建点边类型的结构 Schema：
先进入 NebulaGraph 的 Console：
再执行如下 DDL（Data Definiation Language）：
创建 NebulaGraph Importer 配置文件
这个文件是一个描述 CSV 文件和集群中点边数据对应关系的 YAML 文件。详细的格式可以参考文档：https://docs.nebula-graph.com.cn/master/nebula-importer/use-importer/，或者视频教程：https://www.bilibili.com/video/BV1ny4y1u7i4。
最终的配置文件我已经为大家写好了，在 https://github.com/wey-gu/movie-recommendation-dataset/blob/main/nebula-importer.yaml 可以下载得到。
这里，我们就直接下载我写好了的配置文件。注意，这个文件不应该是 dbt 项目文件的一部分，所以我们退出目录，向上一层，把它放到 dbt_proeject 外边：
开始导入
这一步，我们用容器化的 NebulaGraph Importer，避免了安装的步骤：
很快，所有的数据就导入到 NebulaGraph 之中了。现在，我们可以通过 NebulaGraph Console，执行一些查询看看结果：
进入 Console：
进入图空间、执行 SHOW STATS：
结果：
通过 NebulaGraph Studio，我们也可以在可视化界面探索这个图谱。比如：在其中执行这个查询，看一下给用户 u_124 推荐电影 1891 的理由可能是什么？
它的结果是：曾经喜欢的星战电影的大部分演职人员都也参与了这部同样是“奥斯卡获奖”且“经典”的电影。
总结
当我们打算把海量数据利用图数据库的能力进行知识转化、洞察分析的时候，往往第一步就是要做多数据源到图数据的转换、处理、建模。对于无从下手的新手们来说，一个可行的思路是从所有的相关信息出发，去设想最关注的关联关系，把边写出来，然后再罗列可以取得的点、以及需要的点、边上的属性。确定了初始的建模之后，就可以利用 ETL 工具把原始的数据清洗、ETL 成点、边类型的表结构，最后，利用导入工具导入 NebulaGraph。
借助于 dbt，我们可以版本控制、测试、迭代建模与数据转换，一点点进化、丰富构建的知识图谱。
参考资料
dbt 上手文档：https://docs.getdbt.com/docs/get-started/getting-started-dbt-core
如何选择 NebulaGraph 数据导入工具：www.siwei.io/sketches/nebula-data-import-options
Postgres 文档：https://www.postgresql.org/docs/current/sql-copy.html
基于图数据库的推荐系统：https://discuss.nebula-graph.com.cn/t/topic/11491
谢谢你读完本文 (///▽///)
要来近距离快速体验一把图数据库吗？现在可以用用 NebulaGraph Cloud 来搭建自己的图数据系统哟，快来节省大量的部署安装时间来搞定业务吧~ NebulaGraph 阿里云计算巢现 30 天免费使用中，点击链接来用用图数据库吧~
想看源码的小伙伴可以前往 GitHub 阅读、使用、(^з^)-☆ star 它 -> GitHub；和其他的 NebulaGraph 用户一起交流图数据库技术和应用技能，留下「你的名片」一起玩耍呢~
版权声明: 本文为 InfoQ 作者【NebulaGraph】的原创文章。
原文链接:【http://xie.infoq.cn/article/cb752e8273497cb1fb81e3d02】。
本文遵守【CC BY-NC-ND】协议，转载请保留原文出处及本版权声明。
一款开源的分布式图数据库 2020-04-28 加入
Follow me, here is my GitHub profile: https://github.com/vesoft-inc/nebula
评论