mongodb最多数据库_贪心学院第二个主题项目实践-图数据库neo4j使用的研究

于 2020-12-05 18:22:01 发布
阅读量158 收藏 1
点赞数
文章标签： mongodb最多数据库
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39605345/article/details/111666778
版权

贪心学院第二个课题，学习了知识图谱的相关的知识，并认识了neo4j这个图数据库：

c250a837b5350c88aea2f5af67bcc18f.png

本周作业 : 将上图中知识关系图谱中列的关系使用neo4j数据库将关系表示出来

实现思路 : 使用neo4j这种图数据库，创建不同的节点和节点对应的多维度的关系，最后把上面职业规划发展的展示图中能够展示所有的复杂关系。过程经历了九九八十一难，遇到问题需要一个个解决掉……

走来就遇到的问题1：

9月11日上完课以后，使用老师给的链接把neo4jwindows版本下载下来，本机本身已安装好的JDK1.8(之前学习周老师的Java接口自动化测试课程时就安装过了，已经好久没用，它正安静的睡大觉，11号又被我唤醒了)，但是我去了bin目录下双击neo4j.bat，可是却一直报错说找不到Neo4j-Management.psd1这个文件，可是我看到它明明是存在的，看到这个报错信息，我可郁闷了，我没接触过这个数据库，这报错信息多坑人啊。

这里我有在百度网上查过，解决方法是需要把eo4j.ps1文件里Import-Module "$PSScriptRootNeo4j-Management.psd1"改为自己安装neo4j的路径,并且需要使用neo4j.bat install-service来安装neo4j服务 安装好后，再双击neo4j.bat就可以愉快的玩耍起来了！

遇到的问题2：

周老师讲的课还是很生动的，本人当时感觉应该可以做出来，就是会慢一点，想法很美好，可现实却很残酷！我建了两个节点和关系忘了把节点的name属性加上了，只写了节点名称，就形成了节点没有name属性，只有id值的尴尬场景。我连create都没写顺溜，就更不会修改了。所以我想办法把之前没有name属性的节点和节点间关系删除掉了，再从头来过：

通过match语句把要删除的节点和节点间关系全部查出来，后面跟着需要删除的节点和关系

match (python:`Python基础`)-[officeRelation:pythonWithAutoOffice]->(AutoOffice:`自动化办公`) delete python,AutoOffice,officeRelation

提示我Deleted 2 nodes, deleted 1 relationship, completed after 7 ms. 我总算松了一口气，可以正式开始了！

创建过程记录：

第一步，创建Knowledge节点：

1.1开始创建Python基础、requests、bs4、scrapy、MySQL、MongoDB知识节点和他们之间的关系,具体的语句如下：

create (p:Knowledge{name:"Python基础 "}),

(r:Knowledge{name:"requests"}),

(bs:Knowledge{name:"bs4"}),

(s:Knowledge{name:"scrapy"}),

(mysql:Knowledge{name:"MySQL"}),

(mongo:Knowledge{name:"MongoDB"}),

(p)-[studyPath1:pythonStudyPath1]->(r),

(r)-[studyPath2:pythonStudyPath2]->(bs),

(bs)-[studyPath3:pythonStudyPath3]->(s),

(s)-[studyPath4:pythonStudyPath4]->(mysql),

(mysql)-[studyPath5:pythonStudyPath5]->(mongo)

执行以上语句得到Added 6 labels, created 6 nodes, set 6 properties, created 5 relationships, completed after 2466 ms.，就表示执行成功了，在Database Information 这里能看到6个Node Labels 节点标签，5个Relationship Types关系类型

d810ab24a41d41ed715e995ad4ba3fac.png

我们通过match语句查询出刚才创建的所有的节点和节点间关系：

MATCH (n) RETURN n LIMIT 25 [limit 25 最多显示25条]

01395305d7cbf80f27ec2357ab004b30.png

这里发现创建出来的关系和老师的图谱上显示的并不同，后来仔细看了一下图谱，发现应该是scrapy下面除了和mysql有关联关系，还有和mongoDB也是有关系，而我创建的关系中把MongoDB和mysql设置成了上下的关联关系，所以我需要修改一下节点关系，这里我用的比较笨的办法，先把原来MySQL指向MongoDB的关系删除掉，再从已有的scrapy建个指向MongoDB的关系：

执行过程：

1) 首先把原来MySQL指向MongoDB的关系删除掉：

match (s:Knowledge) where s.name="MySQL"

match (m:Knowledge) where m.name="MongoDB"

match (s)-[path5:pythonStudyPath5]->(m)

delete path5

查询到MySQL-MongoDB的关系后，删除它

ddd99eb853ffa35787b611356765cf04.png

2)在原来的scrapy节点上创建一个关系指向MongoDB

首先查到已存在的scrapy节点信息,然后查到已存在的MongoDB节点信息

最后在两个节点中创建节点间关系：

match (s:Knowledge) where s.name="scrapy"

match(m:Knowledge) where m.name="MongoDB"

create (s)-[path5:pythonStudyPath5]->(m) return s , path5 , m

26a3e091f4c795fd7a61efe45e945c0a.png

最后显示成：

390e9ffa59a02e272c29d04754d842d7.png

第二步：

2.1.按照上面的方法继续创建别的Knowledge节点及关系，创建的语句：

create (file:Knowledge{name:"文件处理"}),

(flask:Knowledge{name:"Flak"}),

(django:Knowledge{name:"Django"}),

(file)-[path6:pythonStudyPath6]->(flask),(file)-[path7:pythonStudyPath7]->(django)

共创建了三个节点，一个关系

e8115ae3dd217497aaf2c896e39b10a8.png

2166ba425c8b8f569cb1d804b98e9961.png

2.2 创建Python基础指向文件处理的关系的语句如下：

match (python:Knowledge) where id(python)=58

match (file:Knowledge) where file.name="文件处理"

create (python)-[path8:pythonStudyPath8]->(file) return python , path8 , file

2.3创建Django指向MySQL的关系语句如下：

match (django:Knowledge) where django.name="Django"

match (mysql:Knowledge) where mysql.name="MySQL"

create (django)-[path9:pythonStudyPath9]->(mysql) return mysql , path9, django

2.4创建Flask指向MySQL的关系语句如下：

match (flask:Knowledge) where flask.name="Flask"

match (mysql:Knowledge) where mysql.name="MySQL"

create (flask)-[path10:pythonStudyPath10]->(mysql) return mysql , path10, flask

bcbd864d70a3eca52857e4d66056f248.png

9cf31c9baecfaed5da862ebaa9c0df52.png

2d5cd235dec3ae7edcfe76ec2e6c6ddd.png

整体的结构如下：

eab4e99d697bb068a69b82d0160b95dd.png

2.5创建知识节点Hbase,Hive以及Python基础和Hbase,Hive之间关系语句如下：

create (:Knowledge{name:"Hbase"}),(:Knowledge{name:"Hive"})

match (python:Knowledge) where id(python)=58

match(hbase:Knowledge) where hbase.name="Hbase"

create (python)-[path11:pythonStudyPath11]->(hbase) return python ,path11,hbase

match (python:Knowledge) where id(python)=58

match(hive:Knowledge) where hive.name="Hive"

create (python)-[path12:pythonStudyPath12]->(hive) return python ,hive,path12

2.6创建以Java为基础的知识节点Java、Storm、flume、Kafka、Hadoop、Flink

create (:Knowledge{name:"Java"}),

(:Knowledge{name:"Hadoop"}),

(:Knowledge{name:"flume"}),

(:Knowledge{name:"Storm"}),

(:Knowledge{name:"Kafka"}),

(:Knowledge{name:"Flink"})

2.7创建从Java到其他5个节点的关系语句如下：

match (j:Knowledge) where j.name="Java"

match(h:Knowledge)where h.name="Hadoop"

match (flume:Knowledge) where flume.name="flume"

match(s:Knowledge)where s.name="Storm"

match(k:Knowledge)where k.name="Kafka"

match(F:Knowledge)where F.name="Flink"

create(j)-[:javaStudyPath1]->(h)

create(j)-[:javaStudyPath2]->(flume)

create(j)-[:javaStudyPath3]->(s)

create(j)-[:javaStudyPath4]->(k)

create(j)-[:javaStudyPath5]->(F)

408f5ee4b425f71b920b42ff0bc95b3f.png

2.8创建scala、spark知识节点及之间关系的语句如下：

create (scala:Knowledge{name:"Scala"}),

(spark:Knowledge{name:"Spark"}),

match (j:Knowledge) where j.name="Scala"

match(h:Knowledge)where h.name="Spark"

create (j)-[path:javaStudyPath6]->(h)

return j,h,path

566d4959fd57b978fe936534e07c881d.png

2.9创建高数、统计、机器学习、深度学习节点及之间关系语句如下：

create (math:Knowledge{name:"高数"}),

(cou:Knowledge{name:"统计"}),

(machine:Knowledge{name:"机器学习"}),

(deep:Knowledge{name:"深度学习"}),

(math)-[path1:mathStudyPath1]->(cou),

(cou)-[path2:mathStudyPath2]->(machine),

(machine)-[path3:mathStudyPath3]->(deep)

return math,cou,machine,deep

c3513bf2b0366b3d736e5f36baa7262d.png

2.10 补充Python基础和hbase和Mysql 、MongoDB数据库之间的关系语句如下：

match (python:Knowledge)where id(python)=58

match (mysql:Knowledge) where mysql.name="MySQL"

match (mongo:Knowledge) where mongo.name="MongoDB"

create (python)-[path1:dbStudyPath1]->(mysql)

create (python)-[path2:dbStudyPath2]->(mongo)

return python,mongo,path1,path2

第三步,创建Job节点信息：

3.1创建名为自动化办公的Job类型节点，并将自动化办公节点和Python基础关联起来，具体语句如下：

match (p:Knowledge) where id(p)=58

create (auto:Job{name:"自动化办公"})

match (auto:Job) where auto.name=”自动化办公”

create (auto)-[autoPath1:autoOfficeStudyPath1]->(p)

创建pytone基础和文件处理的关系的语句如下：

match (p:Knowledge) where id(p)=58

match(file:Knowledge) where file.name="文件处理"

create (p)-[autoPath2:autoOfficeStudyPath2]->(file)

3.2创建名为Web开发的Job节点，将它和Python基础及Linux的知识节点相关联，具体的语句如下：

match(python:Knowledge)where id(python)=58

create (web:Job{name:"Web开发"})

create (linux:Knowledge{name:"Linux"})

create (web)-[webPath1:webStudyPath]->(python)

create (web)-[webPath2:webStudyPath2]->(linux)

这里老是会忘记写return语句

6a3b40d74f817a9e0b4dc6af12fe8bfb.png

3.3创建名为爬虫的Job节点，并创建它下面的知识节点网络、HTML、Xpath、CSS并与之进行关联，语句如下：

create (spider:Job{name:"爬虫"}),

(html:Knowledge{name:"HTML"}),

(net:Knowledge{name:"网络"}),

(xpath:Knowledge{name:"XPath"}),

(css:Knowledge{name:"CSS"}),

(spider)-[path1:spiderStudyPath1]->(html),

(spider)-[path2:spiderStudyPath2]->(net),

(html)-[path3:spiderStudyPath3]->(css),

(html)-[path4:spiderStudyPath4]->(xpath) return spider,html,net,css,xpath

0fb3423b45770143346be4c686021de2.png

3.4 补两条关系，爬虫到Linux的关系,机器学习到Linux的关系：

match (spider)where (spider.name="爬虫")

match (linux)where (linux.name="Linux")

create (spider)-[path5:spiderStudyPath5]->(linux) return spider,linux,path5

match (machine:Knowledge)where (machine.name="机器学习")

match (linux:Knowledge)where (linux.name="Linux")

create (machine)-[path:machineStudyPath]->(linux) return machine,linux,path

f2d34b46c4cd0d1bcaef15d2075223b2.png

3.5创建名为数据分析的Job节点及Windows办公软件、所属行业的业务知识的知识节点，

并将数据分析与它下面的两个知识关联，并关联到Linux和统计的知识节点，具体语句如下：

首先节点信息：

create (data:Job{name:"数据分析"}),

(office:Knowledge{name:"Windows办公软件"}),

(business:Knowledge{name:"所属行业的业务知识"})

然后创建节点间关系：

match (data:Job) where data.name="数据分析"

match (linux:Knowledge)where linux.name="Linux"

match (office:Knowledge)where office.name="Windows办公软件"

match (business:Knowledge)where business.name="所属行业的业务知识"

match (cou:Knowledge)where cou.name="统计"

match (python:Knowledge)where id(python)=58

create (data)-[path1:dataAnalysisPath1]->(office),

(data)-[path2:dataAnalysisPath2]->(business),

(data)-[path3:dataAnalysisPath3]->(linux),

(data)-[path4:dataAnalysisPath4]->(cou)

(data)-[path5:dataAnalysisPath5]->(python)

return data,linux , office ,business , cou ,python,path1 ,pah2,path3,path4,path5

3.6创建人工智能Job节点，及它与python基础、高数的关系：

create (ai:Job{name:"人工智能"})

match (ai:Job) where ai.name="人工智能"

match (python:Knowledge)where id(python)=58

match(math:Knowledge) where math.name="高数"

create (ai)-[path1:aiStudyPath1]->(python)

create (ai)-[path2:aiStudyPath2]->(math)

return ai,python,math,path1,path2

b029f0460e6447db6a2c9bfccfc09c2f.png

第四步，创建岗位方向节点数据：

4.1 创建深度学习知识节点下面的四个岗位方向节点信息，并创建好它们之间的关系，具体语句如下：

match(deep:Knowledge) where deep.name="深度学习"

create (deep)-[path1:deepStudyPath1]->(sense:Knowledge{name:"视觉"})

create (deep)-[path2:deepStudyPath2]->(speech:Knowledge{name:"语音"})

create (deep)-[path3:deepStudyPath3]->(nlp:Knowledge{name:"NLP"})

create (deep)-[path4:deepStudyPath4]->(recommend:Knowledge{name:"推荐"})

return deep,path1,path2,path3,path4

这个语句写的太快，忘记把视觉、语音、NLP、推荐四个节点设置为岗位方向，所以我又把原来的标签信息删除了，修改了这四个节点的知识标签为岗位方向标签：

match (sense:Knowledge)where sense.name="视觉"

remove sense:Knowledge

set sense:Direction return sense

match (speech:Knowledge)where speech.name="语音"

remove speech:Knowledge

set speech:Direction return speech

match (nlp:Knowledge)where nlp.name="NLP"

remove nlp:Knowledge

set nlp:Direction return nlp

match (recommend:Knowledge)where recommend.name="推荐"

remove recommend:Knowledge

set recommend:Direction return recommend

修改完后，关系如下图：

07ef214d3339737c6ebb04250af24a9a.png

4.2创建大数据这个Job节点，离线计算、实时计算两个岗位方向节点及大数据与Linux、离线计算、实时计算间关系。由于不会使用with，都是创建节点和关系分开写的：

先创建节点：

create (bigdata:Job{name:"大数据"}) ,

(offline:Direction{name:"离线计算"}),

(online:Direction{name:"实时计算"})

再创建关系

match(bigdata:Job) where bigdata.name="大数据"

match(linux:Knowledge) where linux.name="Linux"

match(offline:Direction) where offline.name="离线计算"

match(online:Direction) where online.name="实时计算"

create (bigdata)-[path1:bigdataStudyPath1]->(offline)

create (bigdata)-[path2:bigdataStudyPath2]->(online)

create (bigdata)-[path3:bigdataStudyPath3]->(linux)

return bigdata,linux,offline,online ,path1,path2,path3

4.3创建离线计算岗位方向节点和Hive、Hbase、Hadoop、Scala知识节点的关系语句如下：

match(offline:Direction) where offline.name="离线计算"

match(hive:Knowledge) where hive.name="Hive"

match(hbase:Knowledge) where hbase.name="Hbase"

match(hadoop:Knowledge) where hadoop.name="Hadoop"

match(scala:Knowledge) where scala.name="Scala"

create (offline)-[path1:bigdataStudyPath4]->(hive) ,

(offline)-[path2:bigdataStudyPath5]->(hbase) ,

(offline)-[path3:bigdataStudyPath6]->(hadoop),

(offline)-[path4:bigdataStudyPath7]->(scala)

return hive,offline,hbase,hadoop, scala,path1,path2,path3,path4

5a9d4189588fa8c19632acc4df605fb9.png

4.4补充实时计算 岗位方向节点指向Java知识节点的关系语句如下：

match(online:Direction) where online.name="实时计算"

match(java:Knowledge) where java.name="Java"

create (online)-[path1:bigdataStudyPath8]->(java)

return online,java,path1

最终完成后，数据结构如下图：

760b102c758b2d79bbb2a6be15c8c667.png

本次学习的感受：

图数据库neo4j的学习，一开始会感觉挺难的，做着做着，就感觉没有想象中那么难。我想新的知识刚接触时都会比较晕，一旦会了，剩下就需要细心了。我还挺喜欢看这些小球的，写好了特地把它们重新布了一下局，因为关系比较多，线连的比较乱。还是不如思维导图好看，不过，小球可以被拖动，感觉它们很有灵性的样子！

weixin_39605345
关注
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值