图数据库入门：Neo4j

一个视频，讲透图数据库，不用学几个月。

第一章 - 图数据库是什么

这一个视频把图数据库这一类讲完，代表是 {{Neo4j}}。

一句话：图数据库把世界看成{{节点和边}}，擅长回答"谁和谁有什么关系、中间隔了几跳"这类问题，是关系型数据库做不好的多跳关系检索。

什么时候用得上

好友网络：A 和 B 之间隔了几个共同好友？
知识图谱：这个人 -> 在哪家公司 -> 这家公司 -> 有哪些产品？
风控链路：A 转账给 B，B 转账给 C，是不是洗钱链？
推荐路径：看过 X 的人也看过 Y

图数据库和关系型的分工

关系型把关系存在表里，多跳要反复 JOIN；图数据库把关系存成边，沿边走就行。

本章小结

图数据库专攻"关系与路径"，Neo4j 是它的代表——节点 + 边 + 沿边走。

第二章 - 数据模型：节点和边

三个要素

• {{节点 Node}}：一个实体，带标签和属性，如 (:Person {name: "Ada"})。
• {{边 Relationship}}：两个节点的关系，有类型和方向，如 -[:FRIEND]->。
• {{路径 Path}}：一串节点和边连成的路线。

(Ada)-[:FRIEND]->(Lin)-[:FRIEND]->(Bob)
 节点     边(有类型有方向)   节点

和关系型的对照

关系型用外键 + JOIN 表示关系；图数据库直接把关系存成边，一跳就是一步。

本章小结

节点是实体、边是关系、路径是路线——图数据库把"关系"变成一等公民。

第三章 - Cypher：图查询语言

用画图的方式写查询

{{Cypher}} 是 Neo4j 的查询语言，直接用 ASCII 图案匹配关系：

-- 创建节点和关系
CREATE (a:Person {name: 'Ada'})
CREATE (b:Person {name: 'Lin'})
CREATE (a)-[:FRIEND]->(b)

-- 查 Ada 的朋友
MATCH (a:Person {name: 'Ada'})-[:FRIEND]->(f)
RETURN f.name

(a)-[:FRIEND]->(f) 就是"节点 a 通过 FRIEND 边指向节点 f"，写查询像画图。

本章小结

Cypher 用 (节点)-[:边]->(节点) 的图案来匹配关系，比 SQL 的 JOIN 直观得多。

第四章 - 多跳查询与路径

一跳一跳往外走

-- 1 到 3 跳内的朋友（朋友的朋友...）
MATCH (a:Person {name: 'Ada'})-[:FRIEND*1..3]->(f)
RETURN DISTINCT f.name

最短路径

MATCH p = shortestPath(
  (a:Person {name: 'Ada'})-[:FRIEND*]-(b:Person {name: 'Bob'})
)
RETURN p

为什么比 SQL 快

关系型查"三跳的朋友"要自连接三次，数据量一大就爆炸；图数据库沿边跳，每跳几乎 O(1)。

本章小结

图数据库的杀手锏是{{多跳遍历}}：*1..3 一次写出"几跳之内"，shortestPath 直接找最短路径。

第五章 - 图建模与典型场景

四个经典场景

• {{社交网络}}：好友、关注、共同好友。
• {{知识图谱}}：实体 - 关系 - 实体，构建领域知识。
• {{风控}}：资金链路、异常转账环。
• {{推荐}}：用户 - 喜欢 - 商品，协同过滤。

-- 共同好友：Ada 和 Bob 都认识谁
MATCH (a:Person {name: 'Ada'})-[:FRIEND]->(f)<-[:FRIEND]-(b:Person {name: 'Bob'})
RETURN f.name

本章小结

社交、知识图谱、风控、推荐——凡是"关系即核心"的场景，图数据库都更自然。

第六章 - 对比关系型 JOIN

一张表看清差异

什么时候图库完胜

关系越深、跳数越多，图库优势越大。SQL 做"三层朋友"很痛苦，Cypher 一句话就完。

本章小结

关系型在深关联查询上力不从心，图库沿边遍历——这是选图库最硬的依据。

第七章 - 用 Python 连接 Neo4j

neo4j 驱动

from neo4j import GraphDatabase

driver = GraphDatabase.driver("bolt://localhost:7687", auth=("neo4j", "password"))
with driver.session() as session:
    session.run("CREATE (a:Person {name: 'Ada'})")
    result = session.run(
        "MATCH (a:Person {name: 'Ada'})-[:FRIEND]->(f) RETURN f.name"
    )
    for record in result:
        print(record["f.name"])

本章小结

neo4j 驱动走 bolt 协议，session.run 跑 Cypher——连接、建点边、查路径，套路清楚。

第八章 - 什么时候用图数据库

适合

• 关系是核心：社交、知识图谱、风控、推荐。
• 需要多跳路径、最短路径、子图匹配。

不适合

• 普通事务、简单点查 -> 关系型/键值。
• 大规模聚合分析 -> OLAP。

本章小结

图数据库赢在"深关系遍历"，输在"普通 CRUD 和聚合"——关系是核心才用它。

总结

• 核心回顾：图数据库把世界看成节点和边；Cypher 用 (节点)-[:边]->(节点) 画图式查询；多跳遍历 *1..3、shortestPath 是杀手锏；社交、知识图谱、风控、推荐是四大场景；对比关系型 JOIN，深关联上图库完胜。
• 学习路线：先 Docker 起 Neo4j -> 用 Browser 界面练 CREATE 和 MATCH -> 再练多跳和最短路径 -> 用 neo4j 驱动写脚本。
• 推荐练习：① 建一个好友网络，查"三跳内的朋友"和"共同好友"；② 用 shortestPath 找两个人之间的最短认识路径；③ 建一个小知识图谱，跑多跳查询对比 SQL JOIN。