Neo4j 第二篇：图形数据库

在深入学习图形数据库之前，首先理解属性图的基本概念。一个属性图是有向图，由顶点（Vertex），边（Edge），标签（Lable），关系类型（Relationship Type）和属性（Property）组成。

在属性图形中，节点和关系是最重要的实体，顶点也称作节点（Node），边也称作关系（Relationship）。所有的节点是独立存在的，但是可以为节点设置标签，那么拥有相同标签的节点属于一个分组，也就是一个集合。关系通过关系类型来分组，类型相同的关系属于同一个集合。节点可以有0个、1个或多个标签，但是关系必须设置关系类型，并且只能设置一个关系类型。

关系是有向的，关系的两端是起始节点和结束节点，通过有向的箭头来标识方向，节点之间的双向关系通过两个方向相反的关系来标识。

Neo4j图形数据库的查询语言是Cypher，用于操作和查询属性图，它是图形数据库语言中事实上的标准。

我的Neo4j系列的文章收录在：Neo4j

一，图形数据库的基本概念

使用Neo4j创建的图（Graph）基于属性图模型，在该模型中，每个实体都有ID（Identity）唯一标识，每个节点由标签（Lable）分组，每个关系都有一个唯一的关系类型。

属性图模型的基本概念：

• 实体（Entity）是指节点（Node）和关系（Relationship）；
  • 每个实体都有一个唯一的ID；
    • 通常情况下，节点除了ID属性之外，都会设置Name属性，用于以文本的方式来标识节点，Name属性的值通常是唯一的。
  • 每个实体都有零个，一个或多个属性，一个实体的属性键是唯一的；
  • 每个节点都有零个，一个或多个标签，属于一个或多个分组；
  • 每个关系仅有一个关系类型，关系用于连接两个节点；
• 路径（Path）是指由起始节点和终止节点之间的实体（节点和关系）构成的有序组合；
• 标记（Token）是非空的字符串，用于表示 标签（Lable）、关系类型（Relationship Type）、或属性键（Property Key）；
• 标签（Label）：用于对节点进行分组，多个节点可以有相同的标签，一个节点可以有多个标签，拥有相同标签的节点属于同一个分组；
• 关系类型（Relationship Type）：用于表示关系的类型，多个关系可以有相同的关系类型，但是一个关系仅有一个关系类型；
• 属性键：用于唯一标识一个属性，在一个关系或节点中，属性键是唯一的；
• 属性（Property）是一个键值对（Key/Value Pair），每个节点或关系可以有一个或多个属性；属性值可以是标量类型（Boolean、Integer、Float、String）、或组合类型（List，Map）；

二，图形结构的示例

在下面的图中，存在三个节点和两个关系共5个实体，其中 Person和Movie是Lable，ACTED_ID和DIRECTED是关系类型，name，title，roles等是节点和关系的属性键。

实体包括节点和关系，节点有标签和属性，关系是有向的，链接两个节点，具有属性和关系类型。

1，实体

在示例图形中，包含3个节点和2个关系，这3个节点分别有2个属性：

这2个关系分别是：

• 两个关系类型：ACTED_IN和DIRECTED，
• 两个关系：ACTED_IN关系（连接name='Tom Hank'的节点和Movie节点），DIRECTED关系（连接name='Forrest Gump'的节点和Movie节点），
• 其中关系ACTED_IN包含一个属性 roles，属性值是一个List

2，标签（Lable）

在图形结构中，标签用于对节点进行分组，相当于节点的类型，拥有相同标签的节点属于同一个分组。一个节点可以拥有零个，一个或多个标签，因此，一个节点可以属于多个分组。对分组进行查询，能够缩小查询的节点范围，提高查询的性能。

在示例图形中，有两个标签Person和Movie，两个节点是Person，一个节点是Movie，标签有点像节点的类型，每个节点可以有多个标签。

3，属性（Property）

属性是一个键值对（Key/Value），用于为节点或关系提供扩展的信息。一般情况下，每个节点都有name属性，用于命名节点，通常情况下，name属性的值是唯一的。

在示例图形中，Person节点有两个属性name和born，Movie节点有两个属性：title和released，

关系ACTED_IN有一个属性：roles，该属性值是一个List，而关系DIRECTED没有属性：

三，遍历（Traversal）

遍历一个图形，是指沿着关系及其方向，访问图形的节点。关系是有向的，以连接的两个节点为单位，从起始节点沿着关系，一步一步导航（navigate）到结束节点的过程叫做遍历，遍历经过的节点和关系的有序组合称作路径（Path）。

在示例图形中，查找Tom Hanks参演的电影，遍历的过程是：从Tom Hanks节点开始，沿着ACTED_IN关系，寻找标签为Movie的目标节点。遍历的路径如图：

 

四，图形数据库的模式

Neo4j的模式（Schema）通常是指索引、约束和统计，通过创建模式，Neo4j能够获得查询性能的提升和建模的便利；Neo4j数据库的模式可选的，也可以是无模式的。

1，索引

图形数据库也能创建索引，用于提高图形数据库的查询性能。和关系型数据库一样，索引是图形数据的一个冗余副本，通过额外的存储空间和牺牲数据写操作的性能，来提高数据搜索的性能，避免创建不必要的索引，这样能够减少数据更新的性能损失。

Neo4j在图形节点的一个或多个属性上创建索引，在索引创建完成之后，当图形数据更新时，Neo4j负责索引的自动更新，索引的数据是实时同步的；在查询被索引的属性时，Neo4j自动应用索引，以获得查询性能的提升。

例如，使用Cypher创建索引：

CREATE INDEX ON :Person(firstname)
CREATE INDEX ON :Person(firstname, surname)

2，约束

在图形数据库中，能够创建四种类型的约束：

• 节点属性值唯一约束（Unique node property）：如果节点具有指定的标签和指定的属性，那么这些节点的属性值是唯一的
• 节点属性存在约束（Node property existence）：创建的节点必须存在标签和指定的属性
• 关系属性存在约束（Relationship property existence）：创建的关系存在类型和指定的属性
• 节点键约束（Node Key）：在指定的标签中的节点中，指定的属性必须存在，并且属性值的组合是唯一的

例如，使用Cypher创建约束：

CREATE CONSTRAINT ON (book:Book) ASSERT book.isbn IS UNIQUE;
CREATE CONSTRAINT ON (book:Book) ASSERT exists(book.isbn);
CREATE CONSTRAINT ON ()-[like:LIKED]-() ASSERT exists(like.day);
CREATE CONSTRAINT ON (n:Person) ASSERT (n.firstname, n.surname) IS NODE KEY;

3，统计信息

当使用Cypher查询图形数据库时，Cypher脚本被编译成一个执行计划，执行该执行计划获得查询结果。为了生成一个性能优化的执行计划，Neo4j需要收集统计信息以对查询进行优化。当统计信息变化到一定的赋值时，Neo4j需要重新生成执行计划，以保证Cypher查询是性能优化的，Neo4j存储的统计信息包括：

• The number of nodes with a certain label.
• Selectivity per index. 
• The number of relationships by type.
• The number of relationships by type, ending or starting from a node with a specific label.

默认情况下，Neo4j自动更新统计信息，但是，统计信息的更新不是实时的，更新统计信息可能是一个非常耗时的操作，因此，Neo4j在后台运行，并且只有当变化的数据达到一定的阈值时，才会更新统计信息。

Neo4j keeps the statistics up to date in two different ways. For label counts for example, the number is updated whenever you set or remove a label from a node. For indexes, Neo4j needs to scan the full index to produce the selectivity number. Since this is potentially a very time-consuming operation, these numbers are collected in the background when enough data on the index has been changed.

Neo4j把执行计划被缓存起来，在统计信息变化之前，执行计划不会被重新生成。通过配置选项，Neo4j能够控制执行计划的重新生成：

• dbms.index_sampling.background_enabled：是否在后台统计索引信息，由于Cypher查询的执行计划是根据统计信息生成的，及时更新索引的统计数据对生成性能优化的执行计划非常重要；
• dbms.index_sampling.update_percentage：在更新索引的统计信息之前，索引中有多大比例的数据被更新；
• cypher.statistics_divergence_threshold：当统计信息变化时，Neo4j不会立即更新Cypher查询的执行计划；只有当统计信息变化到一定的程度时，Neo4j才会重新生成执行计划。

参考文档：

Graph database concepts

Chapter 3. Cypher