TinkerPop集成Hadoop+Spark

前言

前面介紹了TinkerPop集成Neo4j的配置方法，並且實現了HA操作。這裏有一個突出問題就是不管是使用Neo4j，還是自帶的TinkerGraph都不可避免的面臨一個問題——大數據量場景，也即分佈式問題。鑑於此，Tinkerpop還提供了和Hadoop+Spark的集成解決方案，從而解決單節點問題。但是由於Spark中的數據一致性問題，不能修改數據，所以這種方案不能修改數據，也不能新增數據，只適合用來查詢、計算，不得不說這是一個很大的缺點。如果有同學有更好的解決方法，歡迎在下面留言交流。另外，本文的所有操作同樣都以Tinkerpop Server 3.4.4爲例。

TinkerPop集成Hadoop+Spark

在Tinkerpop官網中已經給出了和Hadoop+Spark的集成方法，但是有兩個問題。第一，所有的操作都是基於console完成的，沒有server的操作步驟；第二，在使用SparkGraphComputer時，master都是local模式，對於使用YARN作爲資源管理器的時候，參照官網資料往往是調試不成功的。原因主要有三點：

SparkGraphComputer會創建自己的SparkContext，而不是通過spark-submit獲取配置信息。
對於Spark運行在YARN上的模式，直到Tinkerpop 3.2.7/3.3.1版本之後才支持。
集羣的Spark依賴包很可能會和Tinkerpop的依賴產生衝突。

另外，在配置過程中，還需要指定Hadoop的依賴包目錄信息和Tinkerpop Spark的驅動包路徑，並且這一步往往是成功的關鍵。詳細步驟如下：

安裝Hadoop和Spark依賴
./gremlin-server.sh install org.apache.tinkerpop hadoop-gremlin 3.4.4
./gremlin-server.sh install org.apache.tinkerpop spark-gremlin 3.4.4
將Tinkerpop_HOME/ext/spark-gremlin/lib目錄下的所有文件打包爲spark-gremlin.zip文件（不需要新建spark-gremlin目錄，直接打包所有jar包），並放置在/tmp/目錄（任意位置都可以）。

製作啓動文件spark-yarn.sh，放在Tinkerpop_HOME/bin目錄下，內容如下：

GREMLIN_HOME=/home/apache-tinkerpop-gremlin-server-3.4.4
export HADOOP_HOME=/usr/local/hadoop
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export CLASSPATH=$HADOOP_CONF_DIR
export JAVA_OPTIONS="-Djava.library.path=$HADOOP_HOME/lib/native:$HADOOP_HOME/lib/native/Linux-amd64-64"
cd $GREMLIN_HOME
[ ! -e empty ] && mkdir empty
export HADOOP_GREMLIN_LIBS=$GREMLIN_HOME/empty
bin/gremlin.sh conf/gremlin-server-spark.yaml

修改Tinkerpop_HOME/conf目錄下的hadoop-gryo.properties配置文件如下。Tinkerpop Server通常不提供該文件，可以從Tinkerpop Console的 conf/hadoop目錄下拷貝一份，或者新建也可以（根據自己的配置信息修改即可）。

gremlin.graph=org.apache.tinkerpop.gremlin.hadoop.structure.HadoopGraph
gremlin.hadoop.graphReader=org.apache.tinkerpop.gremlin.hadoop.structure.io.gryo.GryoInputFormat
gremlin.hadoop.graphWriter=org.apache.tinkerpop.gremlin.hadoop.structure.io.gryo.GryoOutputFormat
gremlin.hadoop.jarsInDistributedCache=true
gremlin.hadoop.defaultGraphComputer=org.apache.tinkerpop.gremlin.spark.process.computer.SparkGraphComputer

gremlin.hadoop.inputLocation=tinkerpop-modern.kryo
gremlin.hadoop.outputLocation=output

####################################
# SparkGraphComputer Configuration #
####################################
spark.master=yarn
spark.submit.deployMode=client
spark.executor.memory=1g
spark.yarn.archive=/tmp/spark-gremlin.zip
spark.yarn.appMasterEnv.CLASSPATH=./__spark_libs__/*:/usr/local/hadoop/etc/hadoop
spark.executor.extraClassPath=./__spark_libs__/*:/usr/local/hadoop/etc/hadoop
spark.driver.extraLibraryPath=/usr/local/hadoop/lib/native:/usr/local/hadoop/lib/native/Linux-amd64-64
spark.executor.extraLibraryPath=/usr/local/hadoop/lib/native:/usr/local/hadoop/lib/native/Linux-amd64-64
spark.serializer=org.apache.spark.serializer.KryoSerializer
spark.kryo.registrator=org.apache.tinkerpop.gremlin.spark.structure.io.gryo.GryoRegistrator
# spark.serializer=org.apache.tinkerpop.gremlin.spark.structure.io.gryo.GryoSerializer (3.2.x model)
gremlin.spark.graphStorageLevel=MEMORY_AND_DISK
gremlin.spark.persistContext=true