一. 前言
来学习下图数据以及图数据库
二. 图数据库的简单原理
2.1 图数据
我认为图数据结构就是点线面的关系，图大致分为以下概念 ：
节点 ： 图中的基本元素，可以用来表示现实世界中的一个**实体 **
边 ： 节点之间连接的线，用来描述实体之间的关系 边可以有方向，有起始节点到终止节点边可以包含属性
属性 ：节点和边都可以包含属性，属性存储有关实体的信息
权重 ：权重指边上的一个值，用来标识成本，强度等等概念 （最短路径，最低消耗等）
路径 ：一个节点到另外一个节点的路程表示路径，一个路径可以包含多个节点多个边
分类
按照图的方向性可以分为 ：有向图，无向图
按照边是否带权重可以分为 ：有权图，无权图
按照边的多少可以分为 ： 稠密图，稀疏图
按照特定类型包括 ： 邻接矩阵、邻接表、关联矩阵
2.2 图数据案例
Neo4j: Neo4j 是最受欢迎的图数据库之一，采用图结构来存储数据，并提供高效的图查询和遍历功能。Neo4j 支持 Cypher 查询语言，适用于各种图数据分析任务
OrientDB ： 一个多模型数据库，支持图数据库、文档数据库和对象数据库
Dgraph ： 一个分布式图数据库，支持属性图和图数据库功能
好了，图的基本概念是清楚了，用法我们基于 Neo4j 来看
三. 图数据库 Neo4j
2.1 创建图数据库 Neo4j
可惜找了几个云服务商都没能薅羊毛，没看到可以免费领取的图数据库，所以只能自己安装下 Neo4j 了,简单点还是基于 Docker ：
准备 docker-compose.yml
version: '3'services: neo4j: image: neo4j:latest container_name: neo4j ports: - "7474:7474" - "7687:7687" environment: NEO4J_AUTH: neo4j/test123456
复制代码
安装运行
docker-compose up -d
> 访问地址http://localhost:7474/
复制代码
2.2 弄清楚 Neo4j 里面的一些知识点
可以通过配置创建多个 Neo4j 实例，但是这种创建属于物理层面，需要修改底层配置
不同于关系型数据库和 NoSQL , 一个 Neo4j 实例里面只有一个主图和多个子图（Enterprise 版本才有子图）
标签和属性更像一种分类，而不是单纯的看成节点的字段
支持的索引
节点索引 ：基于节点的属性创建索引
关系索引 ：用于关系的查找操作，基于关系的属性创建索引
全文索引 ：在节点的文本属性上创建，执行全文搜索查询
空间索引 ：用于地理空间数据 ，支持范围搜索和最近搜索
时间/属性/组合等自定义索引 ：其他的索引类型
CREATE INDEX ON :Person(name)
复制代码
2.3 Neo4j 使用流程
使用层面上我们首先创建一个人物画像/社交网络，用于后续的分析 ：
S1 : 创建节点
语法 ： CREATE (node:Label {property: value})
node 是节点变量名，可以通过 return 返回这个变量，用于后续使用，本身无含义
property 表示节点的属性，键值对关系，可以有多个
label ：节点标签，用来标识节点的类型
CREATE (n1:User {name:'会员A',level:'1'}) RETURN n1;CREATE (n2:User {name:'会员B',level:'2'}) RETURN n2;CREATE (n3:User {name:'会员C',level:'3'}) RETURN n3;CREATE (n4:User {name:'会员D',level:'4'}) RETURN n4;CREATE (n5:User {name:'会员E',level:'5'}) RETURN n5;
// 创建节点的时候创建关系CREATE (a:User {name:'会员F'})-[r:FRIENDS]->(b:User {name:'会员D'})
复制代码
S2 : 查询节点
查询到的结果
S3 : 为节点创建关系
MATCH (startNode:Label1), (endNode:Label2)CREATE (startNode)-[:RELATIONSHIP_TYPE]->(endNode)
复制代码
MATCH 子句用于匹配起始节点（startNode）和结束节点（endNode），通常使用标签和属性来过滤节点
CREATE 子句用于创建关系，表示连接起始节点和结束节点
[:RELATIONSHIP_TYPE] 是关系的类型，可以替换为想要创建的关系类型
箭头表示关系的方向，从起始节点指向结束节点
// 创建 User 节点间的关系 （关系为朋友）MATCH (a:User {name:'会员A'}), (b:User {name:'会员B'}) MERGE (a)-[:FRIENDS]->(b)
// ↑↑↑↑ 解释- 这里的 a 和 b 都是节点别名，用于创建关系时使用- User 标识的是节点类型，查询这一类节点- name 才是匹配节点的关联关系，这里是 name ，也可以是 id 等更加具体的属性
复制代码
S4 : 关系查询
PS : 这里的 sn ，en 都是别名，表示是 startNode 、 endNode ，篇幅有限
- 查询特定的关系的关系 ：MATCH ()-[relation:FRIENDS]->() RETURN relation- 查询有特定关系的节点 ：MATCH (n)-[:FRIENDS]-() RETURN n- 查询特定节点和关系 ：MATCH (n:User)-[:FRIENDS]-(friend:User) RETURN n, friend
// 复杂查询- 复杂语句 ：MATCH (sn)-[relation]-(en) WHERE sn.name = '会员A' AND en.name = '会员B' RETURN relation- 特定关系 ：MATCH (sn)-[rl:FRIENDS]->(en) WHERE sn.name = '会员A' RETURN rl, en- 查询属性 ：MATCH ()-[relation:FRIENDS]->() RETURN relation.propertyName- 查询数量 ：MATCH (sn)-[rl]->(en) WHERE sn.name = '会员A' RETURN COUNT(rl)- 查询路径 ：MATCH path = (sn)-[rl*]->(en) WHERE sn.name = '会员A' AND en.name = '会员C' RETURN path
复制代码
以上基础就完成了，后续就进行相关的业务扩展了
S5 : 创建更多类型的节点
CREATE (n1:address {name:'武汉'}) RETURN n1;CREATE (n2:address {name:'上海'}) RETURN n2;CREATE (n3:address {name:'北京'}) RETURN n3;CREATE (n4:address {name:'深圳'}) RETURN n4;CREATE (n5:address {name:'杭州'}) RETURN n5;
复制代码
S6 : 创建复杂的关系图
// 地址关联MATCH (a:User {name:'会员A'}), (b:address {name:'武汉'}) MERGE (a)-[:ADDRESS]->(b);MATCH (a:User {name:'会员B'}), (b:address {name:'武汉'}) MERGE (a)-[:ADDRESS]->(b);MATCH (a:User {name:'会员C'}), (b:address {name:'武汉'}) MERGE (a)-[:ADDRESS]->(b);MATCH (a:User {name:'会员D'}), (b:address {name:'上海'}) MERGE (a)-[:ADDRESS]->(b);MATCH (a:User {name:'会员E'}), (b:address {name:'北京'}) MERGE (a)-[:ADDRESS]->(b);MATCH (a:User {name:'会员A'}), (b:address {name:'深圳'}) MERGE (a)-[:FRIENDS]->(b);MATCH (a:User {name:'会员A'}), (b:address {name:'杭州'}) MERGE (a)-[:FRIENDS]->(b);
// 朋友关联 ： MATCH (a:User {name:'会员B'}), (b:User {name:'会员E'}) MERGE (a)-[:FRIENDS]->(b);
复制代码
S7 : 最终效果
// 查询所有节点和节点间的关系 ：MATCH (n) RETURN n
// 查询所有有关系的节点MATCH (a)--() RETURN a
// 查询所有对外有关系的节点，以及关系类型MATCH (a)-[r]->() RETURN a.name, type(r)
复制代码
S8 : 基于图的业务价值
// 查询与武汉节点关联的节点MATCH (a:address {name: '武汉'})-[r]-(b) RETURN bMATCH (a:address {name: '武汉'})-[r]-(b) RETURN a,b- PS ： 这里 return 可以返回多个，展示的效果是不同的
// 查询朋友的朋友MATCH (a:User {name:'会员A'})-[r1:FRIENDS]-()-[r2:FRIENDS]-(friend_of_a_friend) RETURN friend_of_a_friend.name AS fofName
复制代码
S9 : 补充语法
// 修改节点属性MATCH (a:User {name:'会员A'}) SET a.city="武汉"
// 删除节点属性MATCH (a:User {name:'会员A'}) REMOVE a.city
// 删除节点MATCH (a:User {name:'会员G'}) DELETE a
// 删除关系MATCH (a:User {name: '会员G'})-[r:FRIENDS]-(b:User {name: '会员D'}) DELETE r
// 删除节点及关系MATCH (alice:User {name: '会员G'}) DETACH DELETE alice
复制代码
三. 性能对比
性能比较主要集中在特定的场景，图数据库因为其特殊的形式，在深度遍历等方面的效率是远大于关系型数据库的，取自 Neo4j 官方的博文 ： @ http://neo4j.com/news/how-mu…
在 一百万数据 里面抽取 1000 个样本进行计算，查询朋友的朋友，按照不同的深度进行查询。
对于简单的好友的好友查询，Neo4j 比 MySQL 快 60%。对于朋友的朋友的朋友来说，Neo 的速度快了 180 倍。对于深度四查询，Neo4j 的速度快了 1,135 倍
四. 业务上怎么使用它更受益
在此期间比较浅显的读了一下 Neo4j 实战，大概可以从这几个方面来描述一下图数据库的优势 ：
4.1 图数据库的使用场景
想看使用场景我们直接去官方看案例即可 ：
我打交道比较多的就是社交和零散，主要看看这两块
社交关系
不知道大家有没有听过一个理论叫六度分隔理论，这个理论说的就是 ： 世界上任意两个人之间的联系最多需要通过不超过六个中介，即通过六个人，就可以建立起联系。
我们假设这个理论上成立的，我想知道我和一个陌生人之间可以是通过哪几个人进行关联的，首先从 MySQL 角度看 ：
S1 : 构建一个人员信息表 , 为每个人员分配一个主键，标识现实中的实体
S2 : 构建一个关联信息表，构建这个人会和哪些人员进行关联
S3 : 走 3 个 left join 或者逻辑中进行 for 循环+算法进行判断
很明显，这种方式占用资源很多，一不小心就会形成笛卡尔积，几何倍数
那么如果用图数据库，该怎么做？
// 展示会员A 朋友的朋友的朋友MATCH (start:User {name: '会员A'})-[:FRIENDS*3]-(foaf:User) RETURN start, foaf
复制代码
零售行业
最直接的包括最短路径算法，最优库存的实现 ， 其次包括会员关系，精准有效都有些作用。
最短路径最直接的场景就是送外卖，哪些外卖分配更加合理。往更高级方向想就是物流。
总结
图数据库的使用是能解决很多复杂场景的问题的，但是这需要达到一定的量级。没达到量级使用关系型数据一样能满足。
但是整体来说，针对特定场景提高效率，优化业务，精准消费的效果还是很可观的。
评论