您的位置: 首页  >  IT文章  >  5分钟了解图数据库Neo4j的使用 1.图数据库安装与配置 2.从csv导入数据 3.常见的CQL命令 4.Python实现neo4j的访问

5分钟了解图数据库Neo4j的使用 1.图数据库安装与配置 2.从csv导入数据 3.常见的CQL命令 4.Python实现neo4j的访问

分类: IT文章 • 2024-01-31 11:38:00

1.1安装与配置

配置path = %NEO4J_HOME%in
 
启动命令：neo4j console
 

1.2权限管理

:server change-password 修改密码
 
:server user list 可视化界面管理用户权限
 
:server disconnect 退出当前用户

2.从csv导入数据

（1）停掉服务
 
（2）删除 graph.db 目录
 
（3）报错，解决办法：将bin/neo4j-import.ps1文件的相对路径改为绝对路径
 
（4）准备CSV文件。举例如下，记录为电影，明星 以及其中存在的一个扮演角色关系。CSV格式为：
 
movies.csv
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
: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
 
（5） 导入命令：neo4j-import --into graph.db --nodes <节点1.csv> --nodes <节点2.csv> --relationships <关系.csv>
 

3.常见的CQL命令

以Movie、Actors、Roles 为例，图形如下：
 
5分钟了解图数据库Neo4j的使用 1.图数据库安装与配置 2.从csv导入数据 3.常见的CQL命令 4.Python实现neo4j的访问5分钟了解图数据库Neo4j的使用 1.图数据库安装与配置 2.从csv导入数据 3.常见的CQL命令 4.Python实现neo4j的访问
5分钟了解图数据库Neo4j的使用 1.图数据库安装与配置 2.从csv导入数据 3.常见的CQL命令 4.Python实现neo4j的访问
 

3.1查询

  • 查询整个图形
match(n) return n
 
  • 查询year小于2000的电影
match (n)
where n.year < 2000
return n
 
  • 查询带有movie标签的节点
match(n:Movie)
return n
 
  • 查询名字叫Keanu Reeves的演员
match (n{name:'Keanu Reeves'})
return n
 
  • 查询与带Movie标签的节点相关的所有节点
match(n) -- (m:Movie)
return n
 
  • 查询“Keanu Reeves”所有参演过的电影
match (n) -[r:ACTED_IN]-> (m:Movie)
where n.name = 'Keanu Reeves'
return m
 
match (n{name:'Keanu Reeves'}) -[r:ACTED_IN]-> (m:Movie)
return m
 
  • 查询与“Keanu Reeves”同演过的人
match (a) -[:ACTED_IN]->(m)<-[:ACTED_IN]- (b)
return distinct b
 

3.2.创建

  • 增加拍摄于2010年名叫“super man”的电影
create (n:Movie{title:'super man',year:2010})
return n
 
  • 增加名叫“Jone”的演员
create (n:Actor{name:'Jone'})
return n
 
  • 增加“Jone”和“super man”之间类型为ACTED_IN的关系
match (a{name:'Jone'}),(b{name:'super man'})
create (a) -[r:ACTED_IN]->(b)
return r

3.3更新

  • 给“Jone”增加属性age = 40
match(n{name:'Jone'})
set n.age = 40
return n
 
  • 给“super man”增加description = “Hot”
match(n{name:'super man'})
set n.description = 'Hot'
return n
 
  • 给“Jone”和“super man”之间的关系增加description=“first”
match (a{name:'Jone'})-[r]->(b{name:'super man'})
set r.description = 'first'
return r

3.4删除

  • 删除id不同，名字相同的重复的演员实体
match (a:Actor),(b:Actor)
where id(a) <> id(b) and a.name = b.name
delete b
return b

3.5函数

  • 查询name=“Jone”的节点的ID
match (n{name:'Jone'})
return id(n)
 
  • 查询“Jone”和“super man”之间关系类型
match (a{name:'Jone'})-[r]->(b{name:'super man'})
return type(r)
 
  • 查询name=“Jone”的节点的所有属性名
match (n{name:'Jone'})
return keys(n)
 
  • 查询name=“Jone”的节点的所有属性名及值
match (n{name:'Jone'})
return properties(n)
 
  • 统计带标签“Movie”的节点数量
match (n:Movie)
with count(*) as f
return f
 
  • 给所有节点增加时间戳
match (n)
set n.timestamp = timestamp()
 

3.6路径

  • 查询与“Keanu Reeves”距离1-3度的节点
match (n{name:'Keanu Reeves'}) -[*1..3]- (m)
return m
 
  • 查询“Laurence Fishburne”和“Keanu Reeves”的最短路径
match p = shortestPath ((a{name:'Laurence Fishburne'})-[*]-(b{name:'Keanu Reeves'}))
return p

4.Python实现neo4j的访问

from py2neo import Database, Graph, Node, Relationship

# 建立连接
db = Database("http://127.0.0.1:7474")
graph = Graph("bolt://127.0.0.1:7687", username="neo4j", password="123456")

try:
    for node in graph.nodes:
        print(node)
except:
    print("key error!")
    
# 匹配
n = graph.nodes.match("Keanu Reeves")
for i in n:
    print(i)
try:
    for r in graph.relationships:
        print(r)
except:
    print("key error!")
    
# 提交任务
tx = graph.begin()
a = Node("Actor", name="张鹤伦")
tx.create(a)
b = Node("Actor", name="杨九郎")
ab = Relationship(a, "师兄弟", b)
tx.create(ab)
tx.commit()

# 判断是否存在
isExists = graph.exists(ab)
print("is Exists=" + str(isExists))

# 执行CQL命令
graph.run('create(p:Actor{name:"周九良"})')
ans = graph.run('match(p:Actor) return p.name,p.born').to_ndarray()
print(ans)
参考资料：
 
 
 
 

相关推荐