virtuoso装载大的rdf文件的方法

本文详细介绍了将一个比较大的rdf文件装载到virtuoso数据库的过程。参考virtuoso网站的文档说明，通过实践，将一个大约4.6G左右的nt文件装载到virtuoso数据库中，用了大概6个多小时。参考网站：http://vos.openlinksw.com/owiki/wiki/VOS/VirtBulkRDFLoader

以下是具体的步骤。

一 准备条件

1 virtuoso的版本要求。Open source version 6.1.3以上或者commercial version 06.02.3129以上，这些版本有大文件装载函数（方法）。

2 在virtuoso.ini中设置参数”DirsAllowed”，设置完成后需要重新启动virtuoso。

参考：http://docs.openlinksw.com/virtuoso/dbadm/

参数设置的格式如下：

DirsAllowed = <path> [, <path>]

DirsDenied = <path> [, <path>]

 

<path> := <absolute_path> or <relative_path>

可以用下面的命令查看，在cmd中，进入bin目录，然后运行isql，可以进入sql命令模式。

SQL> select server_root (), virtuoso_ini_path ();

上面的命令可以查看服务器的工作目录和ini文件名称。

用以下命令查看DirsAllowed参数的情况

SQL> select cfg_item_value (virtuoso_ini_path (), 'Parameters',

'DirsAllowed');

这一步，我没有设置DirsAllowed，通过命令可以查看到vad目录。

3 合理配置virtuoso.ini，保证有足够的内存和其他系统资源。

参考：http://vos.openlinksw.com/owiki/wiki/VOS/VirtRDFPerformanceTuning

主要设置两个参数，NumberOfBuffers 和 MaxDirtyBuffers。不同的系统内存对应设置不同的参数值。

如下表所示：

System RAM	NumberOfBuffers?	MaxDirtyBuffers?
2 GB	170000	130000
4 GB	340000	250000
8 GB	680000	500000
16 GB	1360000	1000000
32 GB	2720000	2000000
48 GB	4000000	3000000
64 GB	5450000	4000000

比如，我的系统是16G内存，就需要把对应的NumberOfBuffers设置为1360000， MaxDirtyBuffers设置为1000000。

4 文件格式要求。

Virtuoso只支持一下格式。

.grdf	Geospatial RDF
.nq	N-Quads
.nt	N-Triples
.owl	OWL
.rdf	RDF/XML
.trig	TriG
.ttl	Turtle
.xml	RDF/XML

二 大文件加载的过程

1 准备三个文件，放到vad目录（也就是DirsAllowed的目录）。一个是数据源文件，比如my_data.nt，一个是对应的图文件，和数据源文件的名称相同后面加.graph。比如my_data.nt.graph。一个是公共的图文件，用来处理那些没有对应的图文件的数据源文件，名称为global.graph。

标准格式：

<source-file>.<ext>

<source-file>.<ext>.graph

global.graph

举例：

myfile.n3          ;; RDF data

myfile.n3.graph    ;; Contains Graph IRI name into which RDF data from myfile.n3 will be loaded

global.graph       ;; Contains Graph IRI name into which RDF data from any files that do not have a specific graph name file will be loaded

2 把图的标识名（the graph IRI）写到*.graph中。比如，图的标识名为：http://dbpedia.org，把http://dbpedia.org写到*.graph中。

3 注册要加载的文件。使用isql，进入到SQL命令中，运行合适的方法。比如

SQL> ld_dir ('/path/to/files', '*.n3', 'http://dbpedia.org');

ld_dir() 里面的目录不包括子目录。ld_dir_all() 命令包括所有的子目录。

4 用DB.DBA.load_list来查看注册的数据集装载情况和图标识名正在加载还是已经加载。ll_state字段有三个值：0表示数据集还没有加载；1表示数据集正在加载中；2表示数据集已经加载完成。如下所示

SQL> select * from DB.DBA.load_list;

ll_file               ll_graph        ll_state    ll_started              ll_done                 ll_host    ll_work_time    ll_error

VARCHAR NOT NULL      VARCHAR         INTEGER     TIMESTAMP               TIMESTAMP               INTEGER    INTEGER         VARCHAR

_____________________________________________________________________________________________________________________________

./dump/d1/file1.n3    http://file1    2           2010.10.20 9:21.18 0    2010.10.20 9:21.18 0    0          NULL            NULL

./dump/d2/file2.n3    http://file2    2           2010.10.20 9:21.18 0    2010.10.20 9:21.18 0    0          NULL            NULL

./dump/file.n3        http://file     2           2010.10.20 9:21.18 0    2010.10.20 9:21.18 0    0          NULL            NULL

3 Rows. -- 1 msec.

SQL> 

5 最后，通过rdf_loader_run()命令完成大文件数据的加载。

命令如下：

SQL> rdf_loader_run();

该命令执行后，如果文件比较大，会是一个漫长的等待过程，耐心等待，可以先不管他，做其他的工作去吧。

漫长等待之后，如果装载成功，会有一个花费时间的显示。

如果查看导入情况，可以另外打开一个cmd，然后进入isql，键入select * from DB.DBA.load_list;，可以查看导入正在进行（ll_state值为1），还是导入完成(ll_state值为2)。

通过以上操作，就可以完成数据的加载。

导入完成之后，需要清理一下load_list，否则下次装载其他文件时，load_list里面的文件还会导入。清理命令是delete from db.dba.load_list;。