ai

Py2neo 是一个用于连接和操作 Neo4j 图数据库的 Python 客户端库，提供了直观的 API 来执行 Cypher 查询和管理图数据。

1. Py2neo 核心特点 #

https://static.docs-hub.com/books_1753510587362.csv

官方推荐：Neo4j 官方推荐的 Python 驱动程序之一
多版本支持：兼容 Neo4j 3.x, 4.x 和 5.x 版本
多种操作方式：支持直接执行 Cypher 和 Pythonic 的对象操作
数据转换：自动将 Neo4j 数据转换为 Python 对象
事务支持：完整的事务管理功能

2. 安装与基本连接 #

2.1. 安装 #

下面的代码演示如何安装 py2neo 库。你只需在命令行中运行 pip 命令即可，无需在 Python 脚本中执行。

# 使用pip安装py2neo库
# 在命令行中运行：pip install py2neo

2.2. 数据库连接 #

如何导入 py2neo 并连接本地 Neo4j 数据库。连接成功后可以进行后续所有操作。

# 导入py2neo库中的Graph类
from py2neo import Graph

# 连接到本地的Neo4j数据库，指定bolt协议、用户名和密码
graph = Graph("bolt://localhost:7687", auth=("neo4j", "12345678"))

# 打印连接对象，验证连接是否成功
print(graph)

3. 数据模型基础 #

Py2neo 使用几种核心类表示图数据：

Node - 节点/顶点
Relationship - 关系/边
Subgraph - 子图(节点和关系的集合)
Path - 路径(连接的节点和关系序列)

3.1. 创建节点 #

如何创建带有标签和属性的节点对象。你可以为节点指定一个或多个标签，以及任意数量的属性。

# 导入py2neo库中的Node类
from py2neo import Node

# 创建一个标签为Person，属性为name=Alice, age=33的节点
person = Node("Person", name="Alice", age=33)

# 创建一个同时拥有Movie和Film两个标签，属性为title和year的节点
movie = Node("Movie", "Film", title="The Matrix", year=1999)

# 打印节点对象，查看其内容
print(person)
print(movie)

3.2. 创建关系 #

如何在两个节点之间创建关系，并为关系添加属性。关系可以有方向和属性。

# 导入py2neo库中的Node和Relationship类
from py2neo import Node, Relationship

# 创建两个节点
person = Node("Person", name="Alice")
movie = Node("Movie", title="The Matrix")

# 创建一个person到movie的ACTED_IN关系，并添加roles属性
acted_in = Relationship(person, "ACTED_IN", movie, roles=["Neo"])

# 创建一个person到另一个人（Bob）的KNOWS关系，并添加since属性
bob = Node("Person", name="Bob")
knows = Relationship(person, "KNOWS", bob, since=2015)

# 打印关系对象，查看其内容
print(acted_in)
print(knows)

4. 数据操作 #

4.1. 创建数据 #

如何将节点和关系写入Neo4j数据库。你可以单独写入节点、关系，也可以批量写入子图。

# 导入py2neo库中的Graph、Node、Relationship类
from py2neo import Graph, Node, Relationship

# 连接到本地Neo4j数据库
graph = Graph("bolt://localhost:7687", auth=("neo4j", "12345678"))

# 创建节点和关系
person = Node("Person", name="Alice")
movie = Node("Movie", title="The Matrix")
acted_in = Relationship(person, "ACTED_IN", movie, roles=["Neo"])

# 将单个节点写入数据库
graph.create(person)

# 将关系写入数据库（相关节点会自动写入）
graph.create(acted_in)

# 批量创建：将多个节点和关系合并为一个子图后一次性写入
subgraph = person | acted_in | movie
graph.create(subgraph)

4.2. 查询数据 #

4.2.1. 基本查询 #

如何用Cypher语句查询节点，并遍历结果。适合需要灵活查询的场景。

# 导入py2neo库中的Graph类
from py2neo import Graph

# 连接到本地Neo4j数据库
graph = Graph("bolt://localhost:7687", auth=("neo4j", "12345678"))

# 执行Cypher查询，返回Person节点的name和age属性，最多5条
result = graph.run("MATCH (p:Person) RETURN p.name, p.age LIMIT 5")

# 遍历查询结果并打印
for record in result:
    print(record["p.name"], record["p.age"])

4.2.2. 参数化查询 #

如何使用参数化的Cypher查询，避免字符串拼接带来的安全风险。

# 导入py2neo库中的Graph类
from py2neo import Graph

# 连接到本地Neo4j数据库
graph = Graph("bolt://localhost:7687", auth=("neo4j", "12345678"))

# 使用参数化查询，查找name为Alice的Person节点
result = graph.run("MATCH (p:Person {name: $name}) RETURN p", name="Alice")

# 遍历结果并打印
for record in result:
    print(record["p"])

4.2.3. 对象查询 #

如何用NodeMatcher进行对象化查询。适合需要用Python对象方式操作图数据的场景。

# 导入py2neo库中的Graph和NodeMatcher类
from py2neo import Graph, NodeMatcher

# 连接到本地Neo4j数据库
graph = Graph("bolt://localhost:7687", auth=("neo4j", "12345678"))

# 创建NodeMatcher对象
matcher = NodeMatcher(graph)

# 查询第一个name为Alice的Person节点
alice = matcher.match("Person", name="Alice").first()
print(alice)

# 查询所有age大于等于30的Person节点，并按name排序
people = matcher.match("Person").where("_.age >= 30").order_by("_.name")
for person in people:
    print(person)

4.3. 更新数据 #

如何更新节点属性并推送到数据库。适合需要修改节点属性的场景。

# 导入py2neo库中的Graph和NodeMatcher类
from py2neo import Graph, NodeMatcher

# 连接到本地Neo4j数据库
graph = Graph("bolt://localhost:7687", auth=("neo4j", "12345678"))

# 查询name为Alice的节点
matcher = NodeMatcher(graph)
alice = matcher.match("Person", name="Alice").first()

# 修改节点属性
alice["age"] = 34

# 推送更改到数据库
graph.push(alice)

4.4. 使用Cypher更新 #

如何用Cypher语句直接更新节点属性。适合批量或复杂更新场景。

# 导入py2neo库中的Graph类
from py2neo import Graph

# 连接到本地Neo4j数据库
graph = Graph("bolt://localhost:7687", auth=("neo4j", "12345678"))

# 用Cypher语句更新name为Alice的Person节点的age属性
graph.run("MATCH (p:Person {name: 'Alice'}) SET p.age = 35")

4.5. 删除数据 #

如何删除节点和相关关系。可以用对象方式或Cypher语句删除。

# 导入py2neo库中的Graph和NodeMatcher类
from py2neo import Graph, NodeMatcher

# 连接到本地Neo4j数据库
graph = Graph("bolt://localhost:7687", auth=("neo4j", "12345678"))

# 查询name为Alice的节点
matcher = NodeMatcher(graph)
alice = matcher.match("Person", name="Alice").first()

# 删除节点（需先删除相关关系，否则会报错）
graph.delete(alice)

# 或者用Cypher语句删除节点及其所有关系
graph.run("MATCH (p:Person {name: 'Alice'}) DETACH DELETE p")

5. 高级功能 #

5.1. 事务管理 #

如何使用显式事务进行多步操作。适合需要原子性操作的场景。

# 导入py2neo库中的Graph和Node类
from py2neo import Graph, Node

# 连接到本地Neo4j数据库
graph = Graph("bolt://localhost:7687", auth=("neo4j", "12345678"))

# 开始一个事务
tx = graph.begin()
try:
    # 在事务中创建节点
    node1 = Node("Person", name="Charlie")
    tx.create(node1)
    # 提交事务
    graph.commit(tx)
except Exception as e:
    # 如果出错则回滚事务
    tx.rollback()
    print("事务失败：", e)

5.2. 批量操作 #

如何用Subgraph进行批量插入。适合一次性插入多个节点和关系。

# 导入py2neo库中的Graph、Node、Relationship和Subgraph类
from py2neo import Graph, Node, Relationship, Subgraph

# 连接到本地的Neo4j数据库，指定地址和认证信息
graph = Graph("bolt://localhost:7687", auth=("neo4j", "12345678"))

# 创建一个标签为Person，name为Tom的节点
node1 = Node("Person", name="Tom")
# 创建一个标签为Person，name为Jerry的节点
node2 = Node("Person", name="Jerry")
# 创建一个从Tom指向Jerry的KNOWS关系
rel = Relationship(node1, "KNOWS", node2)

# 构建一个包含上述两个节点和关系的子图
subgraph = Subgraph([node1, node2], [rel])
# 将子图写入到数据库中
graph.create(subgraph)

5.3. 索引和约束 #

如何自动检测并删除已存在的索引和约束，然后再创建新的索引和唯一约束。这样可以避免重复创建导致的报错。

# 导入py2neo库
from py2neo import Graph

# 连接到本地Neo4j数据库
graph = Graph("bolt://localhost:7687", auth=("neo4j", "12345678"))

# 查询所有索引
indexes = graph.run("SHOW INDEXES").data()

# 遍历所有索引，删除与Person.name相关的索引
for idx in indexes:
    # 判断索引是否是Person.name
    if "Person" in str(idx.get("labelsOrTypes", "")) and "name" in str(
        idx.get("properties", "")
    ):
        # 获取索引名称
        index_name = idx["name"]
        print(f"删除索引: {index_name}")
        graph.run(f"DROP INDEX {index_name}")

# 查询所有约束
constraints = graph.run("SHOW CONSTRAINTS").data()
for cons in constraints:
    if "Person" in str(cons.get("labelsOrTypes", "")) and "email" in str(
        cons.get("properties", "")
    ):
        cons_name = cons["name"]
        print(f"删除约束: {cons_name}")
        graph.run(f"DROP CONSTRAINT {cons_name}")

# 创建索引
graph.run("CREATE INDEX person_name_index FOR (p:Person) ON (p.name)")

# 创建唯一约束
graph.run(
    "CREATE CONSTRAINT person_email_unique FOR (p:Person) REQUIRE p.email IS UNIQUE"
)

6. 数据转换 #

6.1. 将查询结果转为Pandas DataFrame #

如何将Neo4j查询结果转为Pandas DataFrame，便于后续数据分析。

# 导入py2neo库和pandas库
from py2neo import Graph
import pandas as pd

graph = Graph("bolt://localhost:7687", auth=("neo4j", "12345678"))

# 执行查询，返回name和age
result = graph.run("MATCH (p:Person) RETURN p.name as name, p.age as age")

# 将结果转为DataFrame
df = pd.DataFrame(result.data())

# 打印DataFrame
print(df)

6.2. 从DataFrame导入数据 #

如何将Pandas DataFrame中的数据批量导入Neo4j数据库。

# 导入py2neo库中的Graph、Node和Subgraph类
from py2neo import Graph, Node, Subgraph

# 导入pandas库用于数据处理
import pandas as pd

# 连接到本地的Neo4j数据库，指定地址和认证信息
graph = Graph("bolt://localhost:7687", auth=("neo4j", "12345678"))

# 创建一个包含两个人信息的DataFrame
df = pd.DataFrame([{"name": "David", "age": 40}, {"name": "Eva", "age": 28}])

# 将DataFrame的每一行转换为一个Person节点
nodes = [Node("Person", **row) for row in df.to_dict("records")]

# 创建一个只包含这些节点的子图
subgraph = Subgraph(nodes)
# 将子图写入到Neo4j数据库中
graph.create(subgraph)

7. 学习资源 #

官方文档：https://py2neo.org/
Neo4j Cypher手册：https://neo4j.com/docs/cypher-manual/current/
GitHub仓库：https://github.com/neo4j-contrib/neo4j-python-driver

Py2neo 提供了与 Neo4j 交互的 Pythonic 方式，适合需要在 Python 生态中进行图数据操作的场景。相比官方的 neo4j-driver，Py2neo 提供了更高级的抽象和更方便的对象操作接口。