由于公司业务需要做图形计算，所以最近一直在找很多关于graphFrame和neo4j的资料
graphFrame:
1.graphFrame是基于DataFrame的图计算
2.graphFrame主要由vertice（顶点）和edge（边）组成
vertice:主要是描述一个个体，比如XX公司，其中包含它的属性;vertice有一个属性ID必须要设置
edge:主要是描述关系，即各个顶点（节点）之间的关系，由三个属性设置，src(source)起始节点ID，dst(distinct)目的节点ID，relation关系
3.然后通过创建GraphFrame(vertices,edges)图对象，可以想象一下，两个点由一条线相连，点代表节点，线代表节点之间的关系，记住这个关系是有方向的，即src->dst
4.graphFrame里面还有一个很重要的概念：连接组件。即Components
运行连接组件算法需要预先提供一个checkpoint目录(这个必须设置，不设置程序运行直接报错)，并使用setCheckpointDir方法来实现。
spark.sparkContext().setCheckpointDir("./temp/check_path");
代码实现：GraphFrame g=new GraphFrame(vertices,deges);
connectedComponents com=g.connectedComponents；
DataSet
5.每一个连通组件都自动会生成一个component号，即可以通过字段component进行groupby,这之后就是同一个连通组件中的节点都被分配到了一组。
换种理解方式，有关联的一组点构成一个连接组件，该组件有一个固定的component号。
如果对一个图对象直接show的话，你会发现，它包含顶点节点所有的字段外加一个component字段，但是它并不包含边的字段。
6.网上关于graphFrame的资料相对来说很少了，
给个中文链接吧：https://docs.microsoft.com/zh-cn/azure/databricks/spark/latest/graph-analysis/graphframes/user-guide-scala
7.练习理解：
（1）查找复杂关系
g.find("(a)-[e]->(b); (b)-[e2]->(a)").show()
个人理解：（src）-（关系）->（dst），所以上面的需求就是找出相互有关系的顶点，即a->b,b->c。为什么有两组，因为从b或者c开始都满足上面的find条件
（2）关系查找过滤：
g.find("(a)-[e]->(b); (b)-[e2]->(a)").filter("b.age>30").show()
filter只能在find之后使用，这样再过滤之后又细分了a,b的要求，即只保留了一组数据
（3）广度优先搜索（BFS）
g.bfs.fromExpr("name = 'Esther'").toExpr("age < 32").run().show()
从一个顶点到其他顶点，满足过滤条件的
（4）BFS加过滤条件
g.bfs.fromExpr("name = 'Esther'").toExpr("age < 32").edgeFilter("relationship != 'friend'").maxPathLength(3).run().show()
from,to满足各自的过滤条件，且要满足边的关系条件，还要满足3个顶点的体条件
（5）连接组件：
//设置检查点
session.sparkContext.setCheckpointDir("/temp")
g.connectedComponents.run().show()
不设置检查点无法使用连接组件
一组连接组件包含许多顶点，一组连接组件有一个相同的component号
（6）最短路径
最短路径：查找每个节点到目标节点的最短路径。
g.shortestPaths.landmarks(Seq("a","d")).run().show()
目标节点即a,d；查找其他每个节点到a,d节点的路径，有方向限制的
（7）三角形计数
三角计数：计算每个节点都是三角形的一部分的总节点数。
val results = g.triangleCount.run()
results.select("id","count").show()
即计算构成三角形的节点数，但是这个三角形的边是有方向限制的
neo4j:
1.neo4j是一个NoSQL图数据库
2.主要语法：match (node-name:label-name) return node-name
node-name（节点名称）:相当于表中的数据
label-name（标签名称）:相当于表
3.语法和关系型数据库很相似，可以参考MySQL
4.如果自学neo4j，建议可以下载一个社区版的来进行学习
5.学习链接：https://www.w3cschool.cn/neo4j/neo4j-5anu1xf7.html
6.一个不错的Demo实例：https://www.jianshu.com/p/2eab82cf2a08