1．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形成图谱而不是表中。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，如：事务，索引等。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。

在一个图中包含两种基本的数据类型：Nodes（节点） 和 Relationships（关系）。Nodes 和 Relationships 包含key/value形式的属性。Nodes通过Relationships所定义的关系相连起来，形成关系型网络结构。

目前的客户端接口方式包括：neo4j-shell，REST API，Driver(Java\.NET\JS\Python\Ruby\PHP)等等。截止此时，最新版本为3.2社区版和企业版，其中企业版支持HA集群。Neo4j中的语言采用Cypher，一种类似于SQL的语法格式。

Neo4j因其嵌入式、高性能、轻量级等优势，越来越受到关注。

2. 安装（单机社区版）

1）.上Neo4j官网(https://neo4j.com/download)或（http://pacap.paic.com.cn/software/softwarepage/ 搜索neo4j）下载community社区版neo4j-community-3.1.3-unix.tar.gz，上传到Linux服务器（我这里是10.20.26.247），解压（tar -xvf neo4j-community-3.1.3-unix.tar.gz），同时需要安装jdk1.8，这里就不多说了。社区版解压之后目录如下：

注：Neo4j分为企业版和社区版，企业版是需要付费的。社区版是免费的。在基本功能上两个版本没有区别，企业版相比社区版拥有一些高级特性，如集群等。具体可参考官网https://neo4j.com/editions/关于两个版本的区别。对于一般中小型应用，社区版就足够用了，因此，这里选择社区版。当前最新稳定版为3.1.3。大约70多M。

2）. 修改conf/neo4j.confj配置文件，将org.neo4j.server.webserver.address=0.0.0.0注释字符去掉（设为0.0.0.0后允许任意访问，默认为只允许本地访问）。

3）. 最后进入bin目录，执行./neo4j start启动neo4j的服务即可。

3. 入门

既然是入门，那就从简单开始，一步一步熟悉Neo4j。

3.1 图形操作界面

运行Neo4j后，在浏览器中打开网页：http://10.20.26.247/:7474， 即可进入Neo4j的图形操作界面，默认的账号和密码为neo4j/neo4j。进入后需要修改密码。在里面可以直接操作数据库，也可以查看数据库的状态。如图：

页面顶端可以直接写Cypher语句并运行。

3.2 Cypher基本语句

Cypher是Neo4j的数据库语言，入门的话起码得知道增删改查吧。

·         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

[size=1em]CREATE (nerson { name : 'Andres'});

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

[size=1em]MATCH (aerson),(berson) [size=1em]WHERE a.name = 'Node A' AND b.name = 'Node B' [size=1em]CREATE (a)-[r:Follow]->(b);

·         更新节点。更新一个Person类别的节点，设置新的name。

[size=1em]MATCH (nerson { name: 'Andres' }) [size=1em]SET n.name = 'Taylor';

·         删除节点和与其相连的边。Neo4j中如果一个节点有边相连，是不能单单删除这个节点的。

[size=1em]MATCH (nerson { name:'Andres' }) [size=1em]DETACH DELETE n;

·         删除边。

[size=1em]MATCH (aerson)-[r:Follow]->(berson) [size=1em]WHERE a.name = 'Andres' AND b.name = 'Taylor' [size=1em]DELETE r;

接着就是查询语句了，作为图形数据库，肯定要来点与众不同的查询对吧。

·         最短路径。

[size=1em]MATCH (mserson { name:'Andres' }),(cserson { name:'Taylor' }), p = shortestPath((ms)-[r:Follow]-(cs)) RETURN p;

·         查询两个节点之间的关系。

[size=1em]MATCH (aerson { name:'Andres' })-[r]->(b:Person { name:'Taylor' }) [size=1em]RETURN type(r);

·         查询一个节点的所有Follower。

[size=1em]MATCH (:Person { name:'Taylor' })-[r:Follow]->(Person) [size=1em]RETURN Person.name;

还有更多的操作可以参考官方用户手册：官方用户手册

3.3 示例(明星关系图)

在页面最上面的cypher的执行器里面，插入一些数据：

1)      创建索引

[size=1em]CREATE INDEX ON :明星(名称)

2)      创建对象及关系

[size=1em]CREATE [size=1em](陈冠希:明星     {名称: "陈冠希"}), [size=1em](王菲:明星         {名称: "王菲"}), [size=1em](李亚鹏:明星     {名称: "李亚鹏"}), [size=1em](瞿颖:明星         {名称: "瞿颖"}), [size=1em](张柏芝:明星     {名称: "张柏芝"}), [size=1em](谢霆锋:明星     {名称: "谢霆锋"}), [size=1em](周迅:明星         {名称: "周迅"}), [size=1em](张亚东:明星     {名称: "张亚东"}), [size=1em](窦唯:明星         {名称: "窦唯"}), [size=1em](窦鹏:明星         {名称: "窦鹏"}), [size=1em](李大齐:明星     {名称: "李大齐"}), [size=1em](朴树:明星         {名称: "朴树"}), [size=1em](窦颖:明星         {名称: "窦颖"}), [size=1em](梁朝伟:明星     {名称: "梁朝伟"}), [size=1em](刘嘉玲:明星     {名称: "刘嘉玲"}), [size=1em](周迅)-[:旧爱]->(窦鹏), [size=1em](周迅)-[:旧爱]->(李大齐), [size=1em](周迅)-[:旧爱]->(朴树), [size=1em](周迅)-[:旧爱]->(李亚鹏), [size=1em](周迅)-[:绯闻]->(梁朝伟), [size=1em](周迅)-[:绯闻]->(谢霆锋), [size=1em](王菲)-[:离异]->(李亚鹏), [size=1em](王菲)-[:旧爱]->(谢霆锋), [size=1em](王菲)-[:离异]->(窦唯), [size=1em](谢霆锋)-[:旧友]->(陈冠希), [size=1em](谢霆锋)-[:离异]->(张柏芝), [size=1em](张亚东)-[:制作人]->(朴树), [size=1em](张亚东)-[:离异]->(窦颖), [size=1em](张亚东)-[:制作人]->(王菲), [size=1em](李亚鹏)-[:旧爱]->(瞿颖), [size=1em](陈冠希)-[:旧爱]->(张柏芝), [size=1em](瞿颖)-[:旧爱]->(张亚东), [size=1em](窦唯)-[:堂兄弟]->(窦鹏), [size=1em](窦唯)-[:兄妹]->(窦颖), [size=1em](梁朝伟)-[:夫妻]->(刘嘉玲), [size=1em](王菲)-[:好友]->(刘嘉玲)

1)      查明星之间的关系图：

[size=1em]MATCH (n:明星)   RETURN n

2)      查询“周迅”的直接关系：

[size=1em]MATCH m=(:明星 {名称:"周迅"})-[*..1]-() RETURN m

3)      查询“周迅和王菲”的最短路径：

[size=1em]MATCH p = AllShortestPaths( [size=1em](周迅:明星 {名称:"周迅"})-[*..6]-(王菲:明星 {名称:"王菲"}) [size=1em]) RETURN p

3.4 Neo4j驱动

Neo4j提供了数种语言的数据库驱动，比如在java中，你可以这样创建一个图：

[size=1em]package neo4j; [size=1em]import java.sql.Connection;   [size=1em]import java.sql.DriverManager;   [size=1em]import java.sql.ResultSet;   [size=1em]import java.sql.SQLException;   [size=1em]import java.sql.Statement;   [size=1em]    [size=1em]import org.neo4j.jdbc.Driver;   [size=1em]//Class.forName("org.neo4j.jdbc.Driver");   [size=1em]    [size=1em]//Connect   [size=1em]    [size=1em]@SuppressWarnings("unused") [size=1em]public class Neo4jJdbc {   [size=1em]    [size=1em]    public static void main(String[] args) throws SQLException {   [size=1em]        // TODO Auto-generated method stub   [size=1em]        Connection con = DriverManager.getConnection("jdbc:neo4j://10.20.26.247:7474/","neo4j","aic1234");   [size=1em]    [size=1em]        //Querying   [size=1em]        try(Statement stmt = con.createStatement())   [size=1em]        {   [size=1em]         ResultSet rs = stmt.executeQuery("CREATE (ee1:员工 { 姓名: '小明', 来自: '湖北' , 年龄 : 29 })-[:爱]->(ee2:员工 { 姓名: '小红', 来自: '湖南' , 年龄 : 26 })");   [size=1em]         while(rs.next())   [size=1em]         {   [size=1em]             System.out.println(rs.getString("n"));   [size=1em]         }   [size=1em]        }   [size=1em]            [size=1em]    }   [size=1em]    [size=1em]}

执行java代码后在neo4j图形操作页面可以看到新建的关系图：

4. Neo4j常用适用场景

·         社交网络

·         基于图的搜索

·         推荐引擎

·         欺诈检测

·         企业基础设施及网络架构

·         等等等

目前，业内已经有了相对比较成熟的基于图数据库的解决方案，大致可以分为以下几类。

1.金融行业应用

1）反欺诈多维关联分析场景

通过图分析可以清楚地知道洗钱网络及相关嫌疑，例如对用户所使用的帐号、发生交易时的IP地址、MAC地址、手机IMEI号等进行关联分析。

上图在图数据库中一个典型的反洗钱模型

2）反欺诈多维关联分析场景

反欺诈已经是金融行业一个核心应用，通过图数据库可以对不同的个体、团体做关联分析，从人物在指定时间内的行为，例如去过地方的IP地址、曾经使用过的MAC地址（包括手机端、PC端、WIFI等）、社交网络的关联度分析，同一时间点是否曾经在同一地理位置附近出现过，银行账号之间是否有历史交易信息等。

上图为在图数据库中一个典型的金融反欺诈关联分析模型

2.社交网络图谱

在社交网络中，公司、员工、技能的信息，这些都是节点，它们之间的关系和朋友之间的关系都是边，在这里面图数据库可以做一些非常复杂的公司之间关系的查询。比如说公司到员工、员工到其他公司，从中找类似的公司、相似的公司，都可以在这个系统内完成。

上图在图数据库中典型的社交关系网络模型

5．图数据库的优缺点

数十年来，开发者试图使用关系型数据库处理关联的、半结构化的数据集。关系型数据库设计之初是为了处理纸质表格以及表格化结构，它们试图对这种实际中的特殊联系进行建模。然而讽刺的是，关系型数据库在处理联系上做得却并不好。

关系数据库是强大的主流数据库，经过40年的发展和改进，已经非常可靠、强大并且很实用，可以保存大量的数据。如果你想查询关系型数据库里的单一结构或对应数据信息的话，在任何时间内都可以查询关于项目的信息，或者你想查询许多项目在相同类型中的总额或平均值，也将会很快得到答案。

关系型数据库不擅长什么呢？当你寻找数据项、关系模式或多个数据项之间的关系时，它们常会以失败告终。

例如在下面这个例子中，我们希望在一个社交网络里找到最大深度为5的朋友的朋友。假设随机选择两个人，是否存在一条路径，使得关联他们的关系长度最多为5？对于一个包含100万人，每人约有50个朋友的社交网络，我们就以典型的开源图数据库Neo4j参与测试，结果明显表明，图数据库是用于关联数据的最佳选择，如表所示:

上图为图数据库与关系型数据库执行时间对比

在深度为2时（即朋友的朋友），假设在一个在线系统中使用，无论关系型数据库还是图数据库，在执行时间方面都表现得足够好。虽然Neo4j的查询时间为关系数据库的2/3，但终端用户很难注意到两者间毫秒级的时间差异。当深度为3时（即朋友的朋友的朋友），很明显关系型数据库无法在合理的时间内实现查询：一个在线系统无法接受30s的查询时间。相比之下，Neo4j的响应时间则保持相对平坦：执行查询仅需要不到1s，这对在线系统来说足够快了。

在深度为4时，关系型数据库表现出很严重的延迟，使其无法应用于在线系统。Neo4j所花时间也有所增加，但其时延在在线系统的可接受范围内。最后，在深度为5时，关系型数据库所花时间过长以至于没有完成查询。相比之下，Neo4j则在2 s左右的时间就返回了结果。在深度为5时，事实证明几乎整个网络都是我们的朋友，因此在很多实际用例中，我们可能需要修剪结果，并进行时间控制。

虽然图数据库也能够处理“大数据”，但它毕竟不是Hadoop、HBase或Cassandra，通常不会在图数据库中直接处理海量数据（以PB为单位）的分析。但如果你乐于提供关于某个实体及其相邻数据的关系（比如可以提供一个Web页面或某个API返回其结果），那么它是一种良好的选择。无论是简单的CRUD访问，或是复杂的、深度嵌套的资源视图都能够胜任。

综上所述，虽然关系型数据库对于保存结构化数据来说依然是最佳的选择，但图数据库更适合于管理半结构化数据、非结构化数据以及图形数据。如果数据模型中包含大量的关联数据，并且希望使用一种直观、有趣并且快速的数据库进行开发，那么可以考虑尝试图数据库。

在实际的生产环境下，一个真正成熟、有效的分析环境是应该包括关系型数据库和图数据库的，根据不同的应用场景相互结合起来进行有效分析。

整体而言，图数据库还有很多问题未解决，许多技术还需发展，比如超级节点问题和分布式大图的存储。可以预见的是，随着互联网数据的膨胀，图数据库将迎来发展契机，基于图的各种计算和数据挖掘岗位也会越来越热。

Graph Database是一个很特殊的数据库类型，和RDBMS还有其他的NoSQL都不同。可以说，是最直观表达真实世界的一种数据库，可以使用的场景也非常明确。图数据库不是应用于海量数据库的分析，而是使用在Relationship的Traverse上。主要应用场景有：
1、推荐引擎
2、反欺诈、反洗钱
3、运维组件依赖管理
4、社交网络关系查询

图数据库也有很多实现方法。Neo4J属于Native Graph Database。除此之外，还有很多基于RDBMS和NoSQL数据库实现的Graph Engine。所以图数据库分为两个层面，一个是Graph Storage，一个是Graph Processing Engine。Graph Storage包括Native Storage，也包括基于PG、MongoDB、Cassandra等的Storage。

现在图数据库还没有形成一个标准，Neo4J在这个领域算是领军产品，但其他的产品也在层出不穷。从架构设计到访问语言都没有统一。