neo4j-admin 海量数据入库教程研究

neo4j-admin^[1] 是neo4j官方出的海量数据入库的方法，看了现网的案例，都写的迷迷糊糊的，果断看英文官方文档，慢慢啃完之后，突然感觉受益匪浅。海量csv文件入库，为了降低存储，可以压缩，既可以pandas直接压缩，也可以zipfile压缩。压缩前242M，压缩后53M，存储效果明显变好。另外，海量csv文件入库，可以使用正则表达式，简化脚本。针对千万级数据测试发现，速度比load csv快将近10倍。

有head的csv文件

movies.csv 注意：

• :LABEL 节点才有标签，多标签使用“;”分号连接
• 节点必须有ID，因为边的csv需要节点ID

movieId:ID,title,year:int,:LABEL
tt0133093,"The Matrix",1999,Movie
tt0234215,"The Matrix Reloaded",2003,Movie;Sequel
tt0242653,"The Matrix Revolutions",2003,Movie;Sequel

actors.csv

personId:ID,name,:LABEL
keanu,"Keanu Reeves",Actor
laurence,"Laurence Fishburne",Actor
carrieanne,"Carrie-Anne Moss",Actor

roles.csv 注意：

• :TYPE 边才有类型
• :START_ID和:END_ID是节点中的ID，因为边是由2个节点构成

:START_ID,role,:END_ID,:TYPE
keanu,"Neo",tt0133093,ACTED_IN
keanu,"Neo",tt0234215,ACTED_IN
keanu,"Neo",tt0242653,ACTED_IN
laurence,"Morpheus",tt0133093,ACTED_IN
laurence,"Morpheus",tt0234215,ACTED_IN
laurence,"Morpheus",tt0242653,ACTED_IN
carrieanne,"Trinity",tt0133093,ACTED_IN
carrieanne,"Trinity",tt0234215,ACTED_IN
carrieanne,"Trinity",tt0242653,ACTED_IN

第一步：导入csv文件

bin/neo4j-admin import --nodes=import/movies.csv --nodes=import/actors.csv --relationships=import/roles.csv

第二步：启动neo4j

bin/neo4j start

第三步：在浏览器中查看

没有head的csv文件

• movies3-header.csv

movieId:ID,title,year:int,:LABEL

• movies3.csv

tt0133093,"The Matrix",1999,Movie
tt0234215,"The Matrix Reloaded",2003,Movie;Sequel
tt0242653,"The Matrix Revolutions",2003,Movie;Sequel

actors3-header.csv

personId:ID,name,:LABEL

actors3.csv

keanu,"Keanu Reeves",Actor
laurence,"Laurence Fishburne",Actor
carrieanne,"Carrie-Anne Moss",Actor

roles3-header.csv

:START_ID,role,:END_ID,:TYPE

roles3.csv

keanu,"Neo",tt0133093,ACTED_IN
keanu,"Neo",tt0234215,ACTED_IN
keanu,"Neo",tt0242653,ACTED_IN
laurence,"Morpheus",tt0133093,ACTED_IN
laurence,"Morpheus",tt0234215,ACTED_IN
laurence,"Morpheus",tt0242653,ACTED_IN
carrieanne,"Trinity",tt0133093,ACTED_IN
carrieanne,"Trinity",tt0234215,ACTED_IN
carrieanne,"Trinity",tt0242653,ACTED_IN

将文件头和内容分离之后，遍可以导入了。注意，这里同一标签的节点使用“,”逗号来连接，同一类型的边也是使用“,”逗号来连接。

bin/neo4j-admin import --nodes=import/movies3-header.csv,import/movies3.csv --nodes=import/actors3-header.csv,import/actors3.csv --relationships=import/roles3-header.csv,import/roles3.csv

大量文件输入

如果有大量的文件输入，可以使用","逗号继续连接。

• --nodes=import/movies4-header.csv,import/movies4-part1.csv,import/movies4-part2.csv
• --nodes=import/actors4-header.csv,import/actors4-part1.csv,import/actors4-part2.csv
• --relationships=import/roles4-header.csv,import/roles4-part1.csv,import/roles4-part2.csv

bin/neo4j-admin import --nodes=import/movies4-header.csv,import/movies4-part1.csv,import/movies4-part2.csv --nodes=import/actors4-header.csv,import/actors4-part1.csv,import/actors4-part2.csv --relationships=import/roles4-header.csv,import/roles4-part1.csv,import/roles4-part2.csv

输入正则简化

当有大量文件输入时，内容会很长，为了简化脚本，可以使用正则表达式，注意这里需要使用双引号包住全部内容，非常适合海量数据入库。需要特别特别注意（.*），之前光写一个*，就会出现正则错误。谨记！！！顺便在多一句嘴，neo4j 3.5 - neo4j 4.x 都支持正则呦 ，亲测有效，在语法层面上，后面的 -- skip --ignore 参数有点不一样 ～

• --nodes="import/movies4-header.csv,import/movies4-part.*"
• --nodes="import/actors4-header.csv,import/actors4-part.*"
• --relationships="import/roles4-header.csv,import/roles4-part.*"

bin/neo4j-admin import --nodes="import/movies4-header.csv,import/movies4-part.*" --nodes="import/actors4-header.csv,import/actors4-part.*" --relationships="import/roles4-header.csv,import/roles4-part.*"

输入标签和类型简化

由于节点存在大量冗余的label，边存在大量冗余的type，为了简化csv，可以指定统一的标签和类型。

• --nodes=Movie=import/movies5a.csv （全是Movie标签）
• --nodes=Movie:Sequel=import/sequels5a.csv （全是Movie:Sequel标签）
• --nodes=Actor=import/actors5a.csv（全是Actor标签）
• --relationships=ACTED_IN=import/roles5a.csv（全是ACTED_IN类型）

bin/neo4j-admin import --nodes=Movie=import/movies5a.csv --nodes=Movie:Sequel=import/sequels5a.csv --nodes=Actor=import/actors5a.csv --relationships=ACTED_IN=import/roles5a.csv

ID空间

为了让不同的节点的ID字段不打架，可以使用ID空间有优化。

• movies7.csv（括号里面就是 Movie-ID，可以自由增长）

movieId:ID(Movie-ID),title,year:int,:LABEL
1,"The Matrix",1999,Movie
2,"The Matrix Reloaded",2003,Movie;Sequel
3,"The Matrix Revolutions",2003,Movie;Sequel

• actors7.csv（括号里面就是 Actor-ID，可以自由增长）

personId:ID(Actor-ID),name,:LABEL
1,"Keanu Reeves",Actor
2,"Laurence Fishburne",Actor
3,"Carrie-Anne Moss",Actor

• roles7.csv（直接依赖节点的ID空间）

:START_ID(Actor-ID),role,:END_ID(Movie-ID)
1,"Neo",1
1,"Neo",2
1,"Neo",3
2,"Morpheus",1
2,"Morpheus",2
2,"Morpheus",3
3,"Trinity",1
3,"Trinity",2
3,"Trinity",3

跳过异常关系

使用 --skip-bad-relationships 跳过异常关系（备注：neo4j v4.0+）

bin/neo4j-admin import --skip-bad-relationships --nodes=import/movies8a.csv --nodes=import/actors8a.csv --relationships=import/roles8a.csv

跳过相同ID的节点

使用 --skip-duplicate-nodes 跳过相同ID的节点（备注：neo4j v4.0+）

bin/neo4j-admin import --skip-duplicate-nodes --nodes=import/actors8b.csv