快速初步了解Neo4j与使用

简介: 快速初步了解Neo4j与使用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,但是它将结构化数据存储在网络(从数学角度叫做图)上而不是表中。

快速初步了解Neo4j与使用

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,但是它将结构化数据存储在网络(从数学角度叫做图)上而不是表中。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因其嵌入式、高性能、轻量级等优势,越来越受到关注.

img_363b061c85f10f62501cb3475cea6b06.png
image.png

你可以把Neo看作是一个高性能的图引擎,该引擎具有成熟和健壮的数据库的所有特性。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。 [1]

Neo是一个网络——面向网络数据库——也就是说,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,但是它将结构化数据存储在网络上而不是表中。网络(从数学角度叫做图)是一个灵活的数据结构,可以应用更加敏捷和快速的开发模式。

1.下载Neo4j桌面版,这里需要先注册然后下载:

https://neo4j.com/download/

需要先注册:

img_d7cbd27cdcae55f9145e093f7b8678fb.png
image.png

2.下载后点击安装,这里你可以自己指定安装的目录,Next安装完成后如下:

img_3528f7481e2165886532a010a76e5af0.png
image.png

我们可以依照图中创建一个project,然后点击start,这个时候我们进入一个Browser,这个我这里建立的是一个本地的模式,所以可以在本地进行操作,我们进入下一个页面:

img_4a6718372cfcd5828b79ad0b908ebc4b.png
image.png

进入这个页面后,我们可以在最顶上写代码语句

3.代码语句相关语法

我们将首先查看允许我们创建数据的子句。

要添加数据,我们只使用我们已知的模式。通过提供模式,我们可以指定我们想要成为图形的一部分的图形结构,标签和属性。

显然,最简单的条款被称为CREATE。它将继续直接创建您指定的模式。

对于我们到目前为止看到的模式,这可能如下所示:

CREATE (:Movie { title:"The Matrix",released:1997 })

如果我们执行此语句,Cypher将返回更改的数量,在这种情况下,添加1个节点,1个标签和2个属性。

+-------------------+
| No data returned. |
+-------------------+
Nodes created: 1
Properties set: 2
Labels added: 1

当我们开始使用空数据库时,我们现在拥有一个包含单个节点的数据库:

如果我们还想要返回创建的数据,我们可以添加一个RETURN子句,它引用我们分配给模式元素的变量。

CREATE (p:Person { name:"Keanu Reeves", born:1964 })
RETURN p

这是返回的内容:

+----------------------------------------+
| p                                      |
+----------------------------------------+
| Node[1]{name:"Keanu Reeves",born:1964} |
+----------------------------------------+
1 row
Nodes created: 1
Properties set: 2
Labels added: 1

如果我们想要创建多个元素,我们可以用逗号分隔元素或使用多个CREATE语句。

我们当然也可以创建更复杂的结构,例如ACTED_IN与角色信息的关系,或者DIRECTED导演的关系。

CREATE (a:Person { name:"Tom Hanks",
  born:1956 })-[r:ACTED_IN { roles: ["Forrest"]}]->(m:Movie { title:"Forrest Gump",released:1994 })
CREATE (d:Person { name:"Robert Zemeckis", born:1951 })-[:DIRECTED]->(m)
RETURN a,d,r,m

这是我们刚刚更新的图表的一部分:

在大多数情况下,我们希望将新数据连接到现有结构。这要求我们知道如何在图表数据中找到现有模式,我们将在下面介绍。

2.2.2.2。匹配模式

匹配模式是MATCH语句的任务。我们传递了迄今为止用过的相同类型的模式MATCH来描述我们正在寻找的东西。它类似于查询示例,只是我们的示例还包括结构。

一个MATCH声明将搜索我们指定,并返回模式每个成功的模式匹配一行

为了找到我们到目前为止创建的数据,我们可以开始查找标有Movie标签的所有节点。

MATCH (m:Movie)
RETURN m

这是结果:

这应该显示矩阵阿甘正传

我们也可以找一个特定的人,比如基努·里维斯

MATCH (p:Person { name:"Keanu Reeves" })
RETURN p

此查询返回匹配节点:

请注意,我们仅提供足够的信息来查找节点,而不是所有属性都是必需的。在大多数情况下,您可以使用SSN,ISBN,电子邮件,登录,地理位置或产品代码等关键属性进行查找。

我们还可以找到更多有趣的连接,例如Tom Hanks所扮演的电影片名以及他扮演的角色。

MATCH (p:Person { name:"Tom Hanks" })-[r:ACTED_IN]->(m:Movie)
RETURN m.title, r.roles
+------------------------------+
| m.title        | r.roles     |
+------------------------------+
| "Forrest Gump" | ["Forrest"] |
+------------------------------+
1 row

在这种情况下,我们只返回了我们感兴趣的节点和关系的属性。您可以通过点表示法访问它们identifer.property

当然,这只列出了他在Forrest Gump中作为Forrest的角色,因为这是我们添加的所有数据。

现在我们知道足够的新节点连接到现有的和可能结合起来MATCH,并CREATE以结构连接到图表。

2.2.2.3。附加结构

要使用新信息扩展图形,我们首先匹配现有连接点,然后使用关系将新创建的节点附加到它们。添加Cloud Atlas作为Tom Hanks的新电影可以像这样实现:

MATCH (p:Person { name:"Tom Hanks" })
CREATE (m:Movie { title:"Cloud Atlas",released:2012 })
CREATE (p)-[r:ACTED_IN { roles: ['Zachry']}]->(m)
RETURN p,r,m

这是结构在数据库中的样子:

[图片上传失败...(image-4da2a5-1533823118502)]

重要的是要记住,我们可以将变量分配给节点和关系,并在以后使用它们,无论它们是创建还是匹配。

可以在单个CREATE子句中附加节点和关系。为了便于阅读,它有助于将它们分开。

组合的一个棘手的方面MATCH,并CREATE为我们得到每个匹配的模式一行。这会导致后续CREATE语句对每行执行一次。在许多情况下,这就是你想要的。如果不是这样,请在CREATE语句之前移动语句MATCH,或者用后面讨论的方法更改查询的基数,或者使用下一个子句的get或create语义:MERGE

2.2.2.4。完成模式

每当我们从外部系统获取数据或者不确定图中是否已存在某些信息时,我们希望能够表达可重复(幂等)的更新操作。在Cypher中MERGE有这个功能。它的作用类似于MATCH or 的组合CREATE,它在创建数据之前首先检查数据是否存在。随着MERGE你定义图案被发现或创建的。通常,与MATCH您一样,您只想在核心模式中包含要查找的键属性。 MERGE允许您提供要设置的其他属性ON CREATE

如果我们不知道我们的图表是否已经包含Cloud Atlas,我们可以再次合并它。

MERGE (m:Movie { title:"Cloud Atlas" })
ON CREATE SET m.released = 2012
RETURN m
+--------------------------------------------+
| m                                          |
+--------------------------------------------+
| Node[5]{title:"Cloud Atlas",released:2012} |
+--------------------------------------------+
1 row

我们在任何两种情况下都得到结果:图表中已有的数据(可能多于一行)或新创建的单个Movie节点。

其中MERGE没有任何先前分配的变量的子句匹配完整模式或创建完整模式。它永远不会在模式中产生匹配和创建的部分混合。要实现部分匹配/创建,请确保为不应受影响的部分使用已定义的变量。

因此,最重要的MERGE是确保您不能创建重复的信息或结构,但它需要首先检查现有匹配的成本。特别是在大型图形上,扫描大量标记节点以获得特定属性可能是昂贵的。您可以通过创建支持索引或约束来减轻其中的一些,我们将在稍后讨论。但它仍然不是免费的,所以每当你一定不会创建重复数据使用CREATEMERGE

MERGE也可以断言关系只创建一次。要使其工作,您必须从先前的模式匹配中传入两个节点。
MATCH (m:Movie { title:"Cloud Atlas" })
MATCH (p:Person { name:"Tom Hanks" })
MERGE (p)-[r:ACTED_IN]->(m)
ON CREATE SET r.roles =['Zachry']
RETURN p,r,m

如果关系的方向是任意的,您可以不用箭头。 MERGE然后将检查任一方向的关系,如果未找到匹配关系,则创建新的定向关系。

如果您选择仅从前一个子句传入一个节点,则MERGE提供一个有趣的功能。然后,它将仅在给定模式的所提供节点的直接邻域内匹配,并且如果未找到则创建它。这对于创建例如树结构非常方便。

CREATE (y:Year { year:2014 })
MERGE (y)<-[:IN_YEAR]-(m10:Month { month:10 })
MERGE (y)<-[:IN_YEAR]-(m11:Month { month:11 })
RETURN y,m10,m11

这是创建的图形结构:

这里没有全局搜索两个Month节点; 它们仅在2014 Year节点的上下文中搜索。

这里我们可以参考如下的文档查看:

https://neo4j.com/docs/developer-manual/3.4/get-started/cypher/patterns-in-practice/

4.这里我们先建立一个Demo

比如我们平时看电影,张三可以用电影票看电影,李四也可以,他们都去看了同一个电影<葫芦娃>,相应的语句如下:

CREATE (a:Person { name:"张三",
  born:1956 })-[r:电影票 { roles: ["电影票"]}]->(m:Movie { title:"葫芦娃",released:1994 })
CREATE (d:Person { name:"李四", born:1951 })-[:也看]->(m)
RETURN a,d,r,m

我们建立之后的效果如下:

img_91baf748cf0d8a0b90a430c24b4991ca.png
image.png

再比如一2014年的10月11月和12月之间的关系:

CREATE (y:Year { year:2014 })
MERGE (y)<-[:IN_YEAR]-(m10:Month { month:10 })
MERGE (y)<-[:IN_YEAR]-(m11:Month { month:11 })
MERGE (y)<-[:IN_YEAR]-(m12:month{month:12})
RETURN y,m10,m11,m12
img_584050bf5ba8299a0ac9c045fa7445f3.png
image.png

我们可以看到neo4j中将几个有关联的对象进行了联系,并从箭头方向表示相应的关系,此时我们已经通过neo4j建了一个表的数据了.

相关文章
|
计算机视觉 vr&ar 存储
带你读《射频集成电路及系统设计》之一:射频元件
本书针对射频集成电路和系统设计的核心问题,提供理论与实践与现实世界的应用实例,还提供了实用的设计指导,涵盖各种拓扑结构设计。主要包括射频组件、信号和系统、两个端口、噪声、失真、低噪声放大器、混频器、振荡器、功率放大器和收发器架构。为学生提供在射频集成电路和系统设计中未来的职业所需的背景知识和实用工具。适合电子工程、通信工程、自动化等专业的高年级本科或研究生教材。
|
7月前
|
存储 关系型数据库 MySQL
MySQL系列: undo和redo工作原理
MySQL系列: undo和redo工作原理
236 1
|
8月前
|
关系型数据库 MySQL 分布式数据库
PolarDB产品使用问题之连接数限制是多少
PolarDB产品使用合集涵盖了从创建与管理、数据管理、性能优化与诊断、安全与合规到生态与集成、运维与支持等全方位的功能和服务,旨在帮助企业轻松构建高可用、高性能且易于管理的数据库环境,满足不同业务场景的需求。用户可以通过阿里云控制台、API、SDK等方式便捷地使用这些功能,实现数据库的高效运维与持续优化。
155 2
|
7月前
|
算法
基于kalman滤波的UAV三维轨迹跟踪算法matlab仿真
本文介绍了一种使用卡尔曼滤波(Kalman Filter)对无人飞行器(UAV)在三维空间中的运动轨迹进行预测和估计的方法。该方法通过状态预测和观测更新两个关键步骤,实时估计UAV的位置和速度,进而生成三维轨迹。在MATLAB 2022a环境下验证了算法的有效性(参见附图)。核心程序实现了状态估计和误差协方差矩阵的更新,并通过调整参数优化滤波效果。该算法有助于提高轨迹跟踪精度和稳定性,适用于多种应用场景,例如航拍和物流运输等领域。
507 12
|
9月前
|
SQL Java 数据库连接
17:数据库连接池与Servlet整合-Java Web
17:数据库连接池与Servlet整合-Java Web
256 3
|
9月前
|
机器学习/深度学习 算法
【MATLAB】MVMD_LSTM神经网络时序预测算法
【MATLAB】MVMD_LSTM神经网络时序预测算法
161 1
|
8月前
|
消息中间件 Java 数据处理
实时计算 Flink版产品使用问题之addsink中如何用bean
实时计算Flink版作为一种强大的流处理和批处理统一的计算框架,广泛应用于各种需要实时数据处理和分析的场景。实时计算Flink版通常结合SQL接口、DataStream API、以及与上下游数据源和存储系统的丰富连接器,提供了一套全面的解决方案,以应对各种实时计算需求。其低延迟、高吞吐、容错性强的特点,使其成为众多企业和组织实时数据处理首选的技术平台。以下是实时计算Flink版的一些典型使用合集。
|
9月前
|
搜索推荐 大数据 数据库
【Havenask实践篇】搭建文本检索服务
Havenask是阿里巴巴智能引擎事业部自研的开源高性能搜索引擎,深度支持了包括淘宝、天猫、菜鸟、高德、饿了么在内几乎整个阿里的搜索业务。本文举例数据库检索加速的一个简单场景,使用Havenask对数据库的文本字段建立倒排索引,通过倒排检索列提高检索性能,缩短检索耗时。
114196 51
【Havenask实践篇】搭建文本检索服务
|
8月前
|
负载均衡 Java API
Spring Cloud Gateway 详解:构建高效的API网关解决方案
Spring Cloud Gateway 详解:构建高效的API网关解决方案
225 0
|
Java 测试技术 uml
【UML】类图、包图、对象图
【UML】类图、包图、对象图
296 0

热门文章

最新文章