如何将大规模数据导入Neo4j

如何将大规模数据导入Neo4j

项目需要基于Neo4j开发，由于数据量较大（数千万节点），因此对当前数据插入的方法进行了分析和对比。

常见数据插入方式概览

Neo4j Version	Language Driver
Community 3.0.2	Python neo4j-driver 1.0.0

目前主要有以下几种数据插入方式：

1. Cypher CREATE 语句，为每一条数据写一个CREATE
2. Cypher LOAD CSV 语句，将数据转成CSV格式，通过LOAD CSV读取数据。
3. 官方提供的Java API —— Batch Inserter
4. 大牛编写的 Batch Import 工具
5. 官方提供的 neo4j-import 工具

这些工具有什么不同呢？速度如何？适用的场景分别是什么？我这里根据我个人理解，粗略地给出了一个结果：

	CREATE语句	LOAD CSV语句	Batch Inserter	Batch Import	Neo4j-import
适用场景	1 ~ 1w nodes	1w ~ 10 w nodes	千万以上 nodes	千万以上 nodes	千万以上 nodes
速度	很慢 (1000 nodes/s)	一般 (5000 nodes/s)	非常快 (数万 nodes/s)	非常快 (数万 nodes/s)	非常快 (数万 nodes/s)
优点	使用方便，可实时插入。	使用方便，可以加载本地/远程CSV；可实时插入。	速度相比于前两个，有数量级的提升	基于Batch Inserter，可以直接运行编译好的jar包；可以在已存在的数据库中导入数据	官方出品，比Batch Import占用更少的资源
缺点	速度慢	需要将数据转换成CSV	需要转成CSV；只能在JAVA中使用；且插入时必须停止neo4j	需要转成CSV；必须停止neo4j	需要转成CSV；必须停止neo4j；只能生成新的数据库，而不能在已存在的数据库中插入数据。

速度测试

下面是我自己做的一些性能测试：

1. CREATE 语句

这里每1000条进行一次Transaction提交

1. CREATE (:label {property1:value, property2:value, property3:value} )

11.5w nodes	18.5w nodes
100 s	160 s

2. LOAD CSV 语句

1. using periodic commit 1000
2. load csv from "file:///fscapture_screencapture_syscall.csv" as line
3. create (:label {a:line[1], b:line[2], c:line[3], d:line[4], e:line[5], f:line[6], g:line[7], h:line[8], i:line[9], j:line[10]})

这里使用了语句USING PERIODIC COMMIT 1000，使得每1000行作为一次Transaction提交。

11.5w nodes	18.5w nodes
21 s	39 s

3. Batch Inserter、Batch Import、Neo4j-import

我只测试了Neo4j-import，没有测试Batch Inserter和Batch Import，但是我估计他们的内部实现差不多，速度也处于一个数量级别上，因此这里就一概而论了。

neo4j-import需要在Neo4j所在服务器执行，因此服务器的资源影响数据导入的性能，我这里为JVM分配了16G的heap资源，确保性能达到最好。

1. sudo ./bin/neo4j-import --into graph.db --nodes:label path_to_csv.csv

11.5w nodes	18.5w nodes	150w nodes + 1431w edges	3113w nodes + 7793w edges
3.4 s	3.8 s	26.5 s	3 m 48 s

结论

1. 如果项目刚开始，想要将大量数据导入数据库，Neo4j-import是最好的选择。
2. 如果数据库已经投入使用，并且可以容忍Neo4j关闭一段时间，那么Batch Import是最好的选择，当然如果你想自己实现，那么你应该选择Batch Inserter
3. 如果数据库已经投入使用，且不能容忍Neo4j的临时关闭，那么LOAD CSV是最好的选择。
4. 最后，如果只是想插入少量的数据，且不怎么在乎实时性，那么请直接看Cypher语言。

其它的Tips

1. 在LOAD CSV前面加上USING PERIODIC COMMIT 1000，1000表示每1000行的数据进行一次Transaction提交，提升性能。
2. 建立index可以使得查询性能得到巨大提升。如果不建立index，则需要对每个node的每一个属性进行遍历，所以比较慢。 并且index建立之后，新加入的数据都会自动编入到index中。 注意index是建立在label上的，不是在node上，所以一个node有多个label，需要对每一个label都建立index。

2016 年 06 月 03 日