2018-11-19 如何将大规模数据导入Neo4j及导入具体步骤及Demo

博文原地址：https://my.oschina.net/zlb1992/blog/918243

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 |

小结

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。

Demo

1. Cypher Create语句

其主要过程就是将Cypher语句写在某个文件中，在用Java或者Python代码操作，并用jdbc连接Neo4j服务器并且执行，本方法操作太慢，仅适用于某些插入量很小的场景或者查询场景，代码不具体列出，如有需要可在下面留言。

2. Cypher LOAD CSV

在Neo4j服务器的执行命令行中直接执行如下cypher语句即可：

LOAD CSV WITH HEADERS FROM "http://data.neo4j.com/northwind/categories.csv" AS row
CREATE (n:Category)
SET n = row

categories.csv内容为

image

该语句是将url中，的文件以节点的形式导入neo4j中，也可用形如f:/Book1.csv的本地路径。每一行记录均生成一个节点，每个字段对应一个属性

image

再导入过程中还可以根据实际应用场景处理数据如：

LOAD CSV WITH HEADERS FROM "http://data.neo4j.com/northwind/products.csv" AS row
CREATE (n:Product)
SET n = row,
  n.unitPrice = toFloat(row.unitPrice),
  n.unitsInStock = toInteger(row.unitsInStock), n.unitsOnOrder = toInteger(row.unitsOnOrder),
  n.reorderLevel = toInteger(row.reorderLevel), n.discontinued = (row.discontinued <> "0")

在插入节点后可建立索引，提高后期插入关系的速度，如建立Category类型顶点上categoryID属性的索引

CREATE INDEX ON :Category(categoryID)

插入关系 如根据外键关联Prodect和Categroy的关系

MATCH (p:Product),(c:Category)
WHERE p.categoryID = c.categoryID
CREATE (p)-[:PART_OF]->(c)

系列过程可查看Neo4j中Example中的northwind-graph。该方法可以完全替代掉直接执行Cypher语句的方法，在小数据量的时候可以用。

3. Neo4j-import

在neo4j-operations-manual中有一个例子：

记录为电影，明星 以及其中存在的一个扮演角色关系。内容为
movies.csv
movieId:ID,title,year:int,:LABEL
tt0133093,"The Matrix",1999,Movie
tt0234215,"The Matrix Reloaded",2003,Movie;Sequel
tt0242653,"The Matrix Revolutions",2003,Movie;Sequel

actors.csv
personId:ID,name,:LABEL
keanu,"Keanu Reeves",Actor
laurence,"Laurence Fishburne",Actor
carrieanne,"Carrie-Anne Moss",Actor

roles.csv
:START_ID,role,:END_ID,:TYPE
keanu,"Neo",tt0133093,ACTED_IN
keanu,"Neo",tt0234215,ACTED_IN
keanu,"Neo",tt0242653,ACTED_IN
laurence,"Morpheus",tt0133093,ACTED_IN
laurence,"Morpheus",tt0234215,ACTED_IN
laurence,"Morpheus",tt0242653,ACTED_IN
carrieanne,"Trinity",tt0133093,ACTED_IN
carrieanne,"Trinity",tt0234215,ACTED_IN
carrieanne,"Trinity",tt0242653,ACTED_IN

将三个文件传至Neo4j服务器中，

执行%Neo4jHome%/bin/neo4j-import脚本,具体执行命令为：
cd至%Neo4jHome%执行

./bin/neo4j-import --into data/databases/graph.db --nodes /usr/local/lib/neo4j/importFile/expert.csv --nodes /usr/local/lib/neo4j/importFile/paper.csv --relationships /usr/local/lib/neo4j/importFile/expertPaper.csv

其中data/databases/graph.db必须不存在，nodes和relationships后面分别根生节点和关系的文件

等待结果即可。
遇到to many entries失败导致添加失败可以再加上 --bad-tolerance=10000修改 默认容错为1000

image

这样表示插入成功，开启neo4j即可使用。

neo4j_home$ ./bin/neo4j start

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。
3. 最后所有的困难都应该能在neo4j操作手册上得到官方 解答，点击下载阅读英文版。