# Neo4j图数据库入门实战：用Python连接Mac本地数据库的完整流程 ## 1. 环境准备与安装 在Mac上搭建Neo4j开发环境需要完成三个核心组件的安装：Java运行环境、Neo4j数据库本体以及Python驱动库。以下是详细步骤： ### 1.1 Java环境配置 Neo4j基于Java构建，因此需要先确保系统已安装兼容的JDK版本。推荐使用OpenJDK 21或ZuluJDK 21： ```bash # 使用Homebrew安装OpenJDK brew install openjdk@21 # 设置JAVA_HOME环境变量 echo 'export JAVA_HOME=$(/usr/libexec/java_home -v 21)' >> ~/.zshrc source ~/.zshrc # 验证安装 java -version ``` ### 1.2 Neo4j数据库安装 Mac用户可通过两种方式安装Neo4j： **方法一：Homebrew安装（推荐）** ```bash brew install neo4j brew services start neo4j # 设置为开机自启 ``` **方法二：手动安装** 1. 从[Neo4j官方下载中心](https://neo4j.com/download/)获取社区版tar包 2. 解压并设置环境变量： ```bash tar -xf neo4j-community-*.tar.gz mv neo4j-community-* /usr/local/neo4j echo 'export NEO4J_HOME=/usr/local/neo4j' >> ~/.zshrc ``` 启动服务： ```bash $NEO4J_HOME/bin/neo4j start ``` ### 1.3 Python驱动选择 主流Python驱动库对比： | 库名称 | 维护状态 | 功能特性 | 适用场景 | |------------|----------|-----------------------------------|--------------------| | py2neo | 活跃 | 高级OGM支持，简洁API | 快速开发应用 | | neo4j | 官方驱动 | 原生协议支持，性能最优 | 生产环境部署 | | neomodel | 维护中 | Django风格ORM | Django项目集成 | 安装推荐驱动： ```bash pip install py2neo==2021.2.3 # 稳定版本 ``` ## 2. 数据库连接与配置 ### 2.1 初始安全设置 首次启动后访问`http://localhost:7474`，默认凭证为： - 用户名：neo4j - 密码：neo4j 系统会强制要求修改密码。建议使用强密码策略： ```python from py2neo import Graph graph = Graph("bolt://localhost:7687", auth=("neo4j", "your_strong_password")) ``` ### 2.2 连接参数调优 典型连接配置示例： ```python from py2neo import Graph # 生产环境推荐配置 prod_graph = Graph( "bolt://localhost:7687", auth=("neo4j", "prod_password"), max_connection_pool_size=50, connection_timeout=30, encrypted=True ) # 开发环境配置 dev_graph = Graph( "bolt://localhost:7687", auth=("neo4j", "dev_password"), secure=False ) ``` **关键参数说明：** - `max_connection_pool_size`：根据服务器内存调整（每连接约占用10MB） - `connection_timeout`：网络不稳定环境建议增大 - `encrypted`：生产环境必须启用TLS加密 ## 3. 基础CRUD操作实战 ### 3.1 节点与关系创建 创建电影知识图谱示例： ```python from py2neo import Node, Relationship # 创建节点 movie = Node("Movie", title="The Matrix", year=1999) actor = Node("Person", name="Keanu Reeves", born=1964) director = Node("Person", name="Lana Wachowski", gender="female") # 建立关系 acts_in = Relationship(actor, "ACTED_IN", movie) directs = Relationship(director, "DIRECTED", movie) # 提交到数据库 graph.create(acts_in) graph.create(directs) ``` ### 3.2 查询操作 **基础查询：** ```python # 查找所有电影 result = graph.run("MATCH (m:Movie) RETURN m.title, m.year") for record in result: print(record["m.title"], record["m.year"]) ``` **带条件查询：** ```python # 参数化查询防止注入 query = """ MATCH (p:Person)-[r]->(m:Movie) WHERE m.year > $year RETURN p.name, type(r), m.title """ result = graph.run(query, year=2000) ``` ### 3.3 更新与删除 ```python # 更新节点属性 graph.evaluate(""" MATCH (m:Movie {title: $title}) SET m.rating = $rating RETURN m """, title="The Matrix", rating=8.7) # 删除关系 graph.run(""" MATCH (:Person {name: $name})-[r:ACTED_IN]->() DELETE r """, name="Keanu Reeves") # 级联删除节点及其关系 graph.run(""" MATCH (m:Movie {title: $title}) DETACH DELETE m """, title="The Matrix") ``` ## 4. 高级应用技巧 ### 4.1 批量数据导入 对于大规模数据，建议使用Neo4j-import工具或LOAD CSV： ```python # 使用UNWIND实现批量插入 batch_data = [ {"name": "Actor1", "birth": 1980}, {"name": "Actor2", "birth": 1975} ] graph.run(""" UNWIND $actors AS actor MERGE (p:Person {name: actor.name}) SET p.born = actor.birth """, actors=batch_data) ``` ### 4.2 事务管理 重要操作应使用事务保证原子性： ```python tx = graph.begin() try: tx.run("CREATE (:User {id: $id})", id=1001) tx.run("CREATE (:Account {balance: $amount})", amount=5000) tx.commit() except Exception as e: print(f"操作失败: {e}") tx.rollback() ``` ### 4.3 性能优化建议 1. **索引优化**： ```python graph.run("CREATE INDEX ON :Person(name)") graph.run("CREATE INDEX ON :Movie(title)") ``` 2. **查询优化技巧**： - 使用`PROFILE`分析查询计划 - 限制结果集大小：`LIMIT 100` - 避免全图扫描：确保查询使用索引 3. **连接池配置**： ```python from py2neo import Graph graph = Graph(max_connections=20) ``` ## 5. 常见问题排查 ### 5.1 连接问题 **错误现象**：`ServiceUnavailable: Failed to establish connection` 解决方案： 1. 确认Neo4j服务状态：`neo4j status` 2. 检查防火墙设置：`sudo lsof -i :7687` 3. 验证Bolt协议版本兼容性 ### 5.2 性能问题 **慢查询优化步骤**： 1. 使用`EXPLAIN`分析查询计划 2. 添加适当索引 3. 重构复杂查询为多个简单查询 ### 5.3 内存配置 调整`conf/neo4j.conf`中的关键参数： ``` dbms.memory.heap.initial_size=2G dbms.memory.heap.max_size=4G dbms.memory.pagecache.size=1G ``` ## 6. 实战项目：构建社交网络图谱 ### 6.1 数据模型设计 ```mermaid graph LR User-->|FOLLOWS|User User-->|POSTS|Content Content-->|TAGGED|Tag User-->|LIKES|Content ``` ### 6.2 示例代码实现 ```python def create_social_network(): # 创建用户节点 users = [ Node("User", id=1, name="Alice", join_date="2023-01-01"), Node("User", id=2, name="Bob", join_date="2023-02-15") ] # 创建内容节点 post = Node("Post", id=101, text="Hello world!", timestamp="2023-06-01T10:00:00") # 建立关系 relationships = [ Relationship(users[0], "FOLLOWS", users[1]), Relationship(users[0], "POSTS", post), Relationship(users[1], "LIKES", post) ] # 批量提交 graph.create(Subgraph(nodes=users + [post], relationships=relationships)) ``` ### 6.3 典型查询示例 **查找用户社交圈：** ```python query = """ MATCH (u:User {name: $name})-[:FOLLOWS]->(friend) OPTIONAL MATCH (friend)-[:POSTS]->(post) RETURN friend.name AS friend_name, collect(post.text)[..5] AS recent_posts """ ``` **推荐潜在好友：** ```python query = """ MATCH (me:User {id: $user_id})-[:FOLLOWS]->()<-[:FOLLOWS]-(potential_friend) WHERE NOT (me)-[:FOLLOWS]->(potential_friend) RETURN potential_friend.name, count(*) AS common_friends ORDER BY common_friends DESC LIMIT 5 """