【Neo4j的简单搭建与使用】

Neo4j简介

Neo4j是一个高性能的, NOSQL图形数据库，它将结构化数据存储在网络上而不是表中。它是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎。Neo4j也可以被看作是一个高性能的图引擎，该引擎具有成熟数据库的所有特性。程序员工作在一个面向对象的、灵活的网络结构下而不是严格、静态的表中——但是他们可以享受到具备完全的事务特性、企业级的数据库的所有好处。

Neo4j安装(MAC)

1. 下载

下载Neo4j Community Edition，下载地址：http://neo4j.org/download。
由于是mac下载，直接下载dmg文件。

2. 运行

安装Neo4j Community Edition并打开，配置运行数据存储路径，配置完毕后点击start启动。

3. Neo4j的远程可视化操作

打开 options ，找到 .neo4j.conf，取消以下代码的注释

 dbms.connectors.default_listen_address=0.0.0.0

4. 浏览器打开
   如果配置了第三步的Neo4j的远程可视化操作，则访问http://0.0.0.0:7474/browser/，没有就直接访问 http://localhost:7474/browser/。

Neo4j使用

1. 基本的增删改查

1. 插入节点

插入一个Person类别的节点，且这个节点有一个属性name，属性值为Andres。

CREATE (n:Person {name : 'Andres'});

2. 插入边
   插入一条 a 到 b 的有向边，且边的类别为Follow。

  MATCH (a:Person),(b:Person)
  WHERE a.name = 'Node A' AND b.name = 'Node B'
  CREATE (a)-[r:Follow]->(b);

3. 更新节点
   更新一个Person类别的节点，设置新的name。

 MATCH (n:Person { name: 'Andres' })
  SET n.name = 'Taylor';

4. 删除节点
   Neo4j中如果一个节点有边相连，是不能单单删除这个节点的。

MATCH (n:Person { name:'Taylor' })
  DETACH DELETE n;

5. 删除边

  MATCH (a:Person)-[r:Follow]->(b:Person)
  WHERE a.name = 'Node A' AND b.name = 'Node B'
  DELETE r;

6. 查询最短路径

  MATCH (ms:Person { name:'Node A' }),(cs:Person { name:'Node B' }), p = shortestPath((ms)-[r:Follow]-(cs)) RETURN p;

8. 查询两个节点之间的关系

 MATCH (a:Person { name:'Node A' })-[r]->(b:Person { name:'Node B' })
  RETURN type(r);

10. 查询一个节点的所有Follower

  MATCH (:Person { name:'Taylor' })-[r:Follow]->(Person)
  RETURN Person.name;

详细查询

请查看The Neo4j Cypher Manual v4.4

项目经验

1.将关系模型映射到图数据库：
当从关系模型导出图模型时，您应该记住以下准则：
行是一个节点，表名是一个标签名，联接或外键是一种关系。

注意：Neo4j不存储空值。CSV文件中的Null或空字段可以跳过，或替换为加载CSV中的默认值。

创建节点并使边带权重

学习案例

例1：

CREATE (a:Place {id: 'A'}),
       (b:Place {id: 'B'}),
       (c:Place {id: 'C'}),
       (d:Place {id: 'D'}),
       (e:Place {id: 'E'}),
       (f:Place {id: 'F'}),
       (g:Place {id: 'G'}),
       (d)-[:LINK {cost:4}]->(b),
       (d)-[:LINK {cost:6}]->(e),
       (b)-[:LINK {cost:1}]->(a),
       (b)-[:LINK {cost:3}]->(c),
       (a)-[:LINK {cost:2}]->(c),
       (c)-[:LINK {cost:5}]->(e),
       (e)-[:LINK {cost:10}]->(c),
       (f)-[:LINK {cost:1}]->(g);
#s = '({0}) - [:LINK cost:{1}] -> ({2})'.format('a',10, 'c')

效果：

例2：

CREATE(Shanghai:City{name:'上海'}),
(Suzhou:City{name:'苏州'}),
(Wuxi:City{name:'无锡'}),
(Nanjing:City{name:'南京'}),
(Ningbo:City{name:'宁波'}),
(Shanghai)-[:Neighbor {distance:80}]->(Suzhou),
(Shanghai)-[:Neighbor {distance:120}]->(Wuxi),
(Shanghai)-[:Neighbor {distance:300}]->(Nanjing) ,
(Shanghai)-[:Neighbor {distance:250}]->(Ningbo);
//无权重：
 CREATE (Shanghai)-[:Neighbor]->(Suzhou) CREATE (Shanghai)-[:Neighbor]->(Wuxi) CREATE (Shanghai)-[:Neighbor]->(Nanjing) CREATE (Shanghai)-[:Neighbor]->(Ningbo)
//加权重：
CREATE (Shanghai)-[:Neighbor {distance:80}]->(Suzhou) CREATE (Shanghai)-[:Neighbor {distance:120}]->(Wuxi) CREATE (Shanghai)-[:Neighbor {distance:300}]->(Nanjing) CREATE (Shanghai)-[:Neighbor {distance:250}]->(Ningbo)

项目实践

1.问题
qid的数据不可能一条一条的创建，需要通过csv文件导入，那么导入时的cost（也就是边的次数）怎么写进去？

2.目前进展
加载csv文件，导入节点数据(不带权重)

LOAD CSV WITH HEADERS FROM 'file:///question.csv' AS row MERGE (question:Question{qID:row.qID}) ON CREATE SET question.qName=row.qName;

或者

LOAD CSV WITH HEADERS FROM 'file:///qid_qname.csv' AS row MERGE (question:Question{qName:row.qName}) ON CREATE SET question.qID=row.qID;

查看节点数据
MATCH(q:Question) return q LIMIT 10;

后面涉及项目内部，不再举例

学习Neo4j

Creating nodes

1. Creating Order nodes

执行此代码块以在数据库中创建订单节点：

// Create orders
LOAD CSV WITH HEADERS FROM 'https://gist.githubusercontent.com/jexp/054bc6baf36604061bf407aa8cd08608/raw/8bdd36dfc88381995e6823ff3f419b5a0cb8ac4f/orders.csv' AS row
MERGE (order:Order {orderID: row.OrderID})
  ON CREATE SET order.shipName = row.ShipName;

如果已将CSV文件放入import folder，则应使用以下代码语法从本地目录加载CSV文件：

// Create orders
LOAD CSV WITH HEADERS FROM 'file:///orders.csv' AS row
MERGE (order:Order {orderID: row.OrderID})
  ON CREATE SET order.shipName = row.ShipName;

这段代码在数据库中创建830个订单节点。

通过执行以下代码，可以查看数据库中的一些节点：

MATCH (o:Order) return o LIMIT 5;

部分图展示如下：

表视图包含节点属性的以下值：

2. Creating Product nodes

执行此代码块以在数据库中创建产品节点：

// Create products
LOAD CSV WITH HEADERS FROM 'https://gist.githubusercontent.com/jexp/054bc6baf36604061bf407aa8cd08608/raw/8bdd36dfc88381995e6823ff3f419b5a0cb8ac4f/products.csv' AS row
MERGE (product:Product {productID: row.ProductID})
  ON CREATE SET product.productName = row.ProductName, product.unitPrice = toFloat(row.UnitPrice);

这段代码在数据库中创建77个产品节点。

通过执行以下代码，可以查看数据库中的一些节点：

MATCH (p:Product) return p LIMIT 5;

部分图展示如下：

2. Creating Supplier nodes

执行此代码块以在数据库中创建供应商节点：

// Create suppliers
LOAD CSV WITH HEADERS FROM 'https://gist.githubusercontent.com/jexp/054bc6baf36604061bf407aa8cd08608/raw/8bdd36dfc88381995e6823ff3f419b5a0cb8ac4f/suppliers.csv' AS row
MERGE (supplier:Supplier {supplierID: row.SupplierID})
  ON CREATE SET supplier.companyName = row.CompanyName;

这段代码在数据库中创建29个供应商节点。

通过执行以下代码，可以查看数据库中的一些节点：

MATCH (s:Supplier) return s LIMIT 5;

部分图展示如下：

3. Creating Employee nodes

执行此代码块以在数据库中创建员工节点：

// Create employees
LOAD CSV WITH HEADERS FROM 'https://gist.githubusercontent.com/jexp/054bc6baf36604061bf407aa8cd08608/raw/8bdd36dfc88381995e6823ff3f419b5a0cb8ac4f/employees.csv' AS row
MERGE (e:Employee {employeeID:row.EmployeeID})
  ON CREATE SET e.firstName = row.FirstName, e.lastName = row.LastName, e.title = row.Title;

这段代码在数据库中创建9个员工节点。

通过执行以下代码，可以查看数据库中的一些节点：

MATCH (e:Employee) return e LIMIT 5;

部分图展示如下：

4. Creating Category nodes

// Create categories
LOAD CSV WITH HEADERS FROM 'https://gist.githubusercontent.com/jexp/054bc6baf36604061bf407aa8cd08608/raw/8bdd36dfc88381995e6823ff3f419b5a0cb8ac4f/categories.csv' AS row
MERGE (c:Category {categoryID: row.CategoryID})
  ON CREATE SET c.categoryName = row.CategoryName, c.description = row.Description;

这段代码在数据库中创建8个分类节点。

通过执行以下代码，可以查看数据库中的一些节点：

MATCH (c:Category) return c LIMIT 5;

部分图展示如下：

Creating the relationships between the nodes

1. Creating relationships between orders and employees

先执行下列代码来 Create relationships between orders and products

// Create relationships between orders and products
LOAD CSV WITH HEADERS FROM 'https://gist.githubusercontent.com/jexp/054bc6baf36604061bf407aa8cd08608/raw/8bdd36dfc88381995e6823ff3f419b5a0cb8ac4f/orders.csv' AS row
MATCH (order:Order {orderID: row.OrderID})
MATCH (product:Product {productID: row.ProductID})
MERGE (order)-[op:CONTAINS]->(product)
  ON CREATE SET op.unitPrice = toFloat(row.UnitPrice), op.quantity = toFloat(row.Quantity);

这段代码在数据库中创建2155个关系。

通过执行以下代码，可以查看数据库中的这些关系：

MATCH (o:Order)-[]-(p:Product)
RETURN o,p LIMIT 10;

部分图展示如下：

再执行下列代码来 Create relationships between orders and employees

// Create relationships between orders and employees
LOAD CSV WITH HEADERS FROM 'https://gist.githubusercontent.com/jexp/054bc6baf36604061bf407aa8cd08608/raw/8bdd36dfc88381995e6823ff3f419b5a0cb8ac4f/orders.csv' AS row
MATCH (order:Order {orderID: row.OrderID})
MATCH (employee:Employee {employeeID: row.EmployeeID})
MERGE (employee)-[:SOLD]->(order);

这段代码在数据库中创建830个关系。

通过执行以下代码，可以查看数据库中的这些关系：

MATCH (o:Order)-[]-(e:Employee)
RETURN o,e LIMIT 10;

部分图展示如下：

2. Creating relationships between products and suppliers

// Create relationships between products and suppliers
LOAD CSV WITH HEADERS FROM 'https://gist.githubusercontent.com/jexp/054bc6baf36604061bf407aa8cd08608/raw/8bdd36dfc88381995e6823ff3f419b5a0cb8ac4f/products.csv
' AS row
MATCH (product:Product {productID: row.ProductID})
MATCH (supplier:Supplier {supplierID: row.SupplierID})
MERGE (supplier)-[:SUPPLIES]->(product);

这段代码在数据库中创建77个关系。

通过执行以下代码，可以查看数据库中的这些关系：

MATCH (s:Supplier)-[]-(p:Product)
RETURN s,p LIMIT 10;

部分图展示如下：

3. Create relationships between products and categories

// Create relationships between products and categories
LOAD CSV WITH HEADERS FROM 'https://gist.githubusercontent.com/jexp/054bc6baf36604061bf407aa8cd08608/raw/8bdd36dfc88381995e6823ff3f419b5a0cb8ac4f/products.csv
' AS row
MATCH (product:Product {productID: row.ProductID})
MATCH (category:Category {categoryID: row.CategoryID})
MERGE (product)-[:PART_OF]->(category);

这段代码在数据库中创建77个关系。

通过执行以下代码，可以查看数据库中的这些关系：

MATCH (c:Category)-[]-(p:Product)
RETURN c,p LIMIT 10;

部分图展示如下：

4. Creating relationships between employees

// Create relationships between employees (reporting hierarchy)
LOAD CSV WITH HEADERS FROM 'https://gist.githubusercontent.com/jexp/054bc6baf36604061bf407aa8cd08608/raw/8bdd36dfc88381995e6823ff3f419b5a0cb8ac4f/employees.csv' AS row
MATCH (employee:Employee {employeeID: row.EmployeeID})
MATCH (manager:Employee {employeeID: row.ReportsTo})
MERGE (employee)-[:REPORTS_TO]->(manager);

这段代码在数据库中创建8个关系。

通过执行以下代码，可以查看数据库中的这些关系：

MATCH (e1:Employee)-[]-(e2:Employee)
RETURN e1,e2 LIMIT 10;

部分图展示如下：

Querying the Graph

1. 查找使用订购产品销售订单的员工样本

MATCH (e:Employee)-[rel:SOLD]->(o:Order)-[rel2:CONTAINS]->(p:Product)
RETURN e, rel, o, rel2, p LIMIT 25;

3. 查找特定产品的供应商和类别

MATCH (s:Supplier)-[r1:SUPPLIES]->(p:Product {productName: 'Chocolade'})-[r2:PART_OF]->(c:Category)
RETURN s, r1, p, r2, c;

4. 哪位员工的“Chocolade”和其他产品的交叉销售数量最高？

MATCH (choc:Product {productName:'Chocolade'})<-[:CONTAINS]-(:Order)<-[:SOLD]-(employee),
      (employee)-[:SOLD]->(o2)-[:CONTAINS]->(other:Product)
RETURN employee.employeeID as employee, other.productName as otherProduct, count(distinct o2) as count
ORDER BY count DESC
LIMIT 5;

查询结果：

5. 员工是如何组织的？谁向谁报告？

MATCH (e:Employee)<-[:REPORTS_TO]-(sub)
RETURN e.employeeID AS manager, sub.employeeID AS employee;

查询结果：

7. 哪些员工相互间接汇报？

MATCH path = (e:Employee)<-[:REPORTS_TO*]-(sub)
WITH e, sub, [person in NODES(path) | person.employeeID][1..-1] AS path
RETURN e.employeeID AS manager, path as middleManager, sub.employeeID AS employee
ORDER BY size(path);

查询结果：

9. 层级结构的每一部分都下了多少命令？

MATCH (e:Employee)
OPTIONAL MATCH (e)<-[:REPORTS_TO*0..]-(sub)-[:SOLD]->(order)
RETURN e.employeeID as employee, [x IN COLLECT(DISTINCT sub.employeeID) WHERE x <> e.employeeID] AS reportsTo, COUNT(distinct order) AS totalOrders
ORDER BY totalOrders DESC;

查询结果：

Neo4j学习链接：

1. Neo4j Browser/Visual tour：https://neo4j.com/docs/browser-manual/current/visual-tour/
2. Developer Guides Data Import How-To: Desktop CSV Import：https://neo4j.com/developer/desktop-csv-import/
3. How-To: Import Northwind Dataset：https://neo4j.com/developer/guide-importing-data-and-etl/