python使用py2neo查询Neo4j的节点、关系及路径

Neo4j是一款开源图数据库，Py2neo提供了使用Python语言访问Neo4j的接口。本文介绍了使用Py2neo的NodeMatcher和RelationshipMatcher查询图中的节点和关系，以及通过执行Cypher语句的查询方式。​本文使用的Py2neo是2021.1之后的版本，手册请戳这里：The Py2neo Handbook

一、连接Neo4j数据库

本文中会用到多种数据类型，在此一并引用

<import numpy as npimport pandas as pdfrom py2neo import Node,Relationship,Graph,Path,Subgraphfrom py2neo import NodeMatcher,RelationshipMatcher

配置Neo4j数据库的访问地址、用户名和密码：

neo4j_url = ’访问地址’user = ’用户名’pwd = ’密码’

在此时间段之前访问数据库的方式为：

graph = Graph(neo4j_url, username=user, password=pwd)

在此时间段之后的版本访问数据库的方式为（就是这么不兼容）：

graph = Graph(neo4j_url, auth=(user, pwd))

以下图为例：

图中包含一些Person节点，每个Person节点有name、age、work属性； 其中“赵赵”节点是多label的节点，除了有Person标签，它还有Teacher标签； Person和Person节点之间有同事、邻居、学生、老师等关系； 图中还有一些Location节点，它们之间有包含关系； Person节点和Location节点之间有“到访”关系，“到访”关系具有date和stay_hours两个属性。

二、 通过graph.schema查询图中节点和关系有哪些类型

查看节点的类型用graph.schema.node_labels，查看关系的类型用graph.schema.relationship_types，它们的返回值类型都是frozenset，是不能增删元素的集合。

>>>graph.schema.node_labels frozenset({’Location’, ’Person’, ’Teacher’})>>>graph.schema.relationship_typesfrozenset({’到访’, ’包含’, ’同事’, ’学生’, ’老师’, ’邻居’})三、使用NodeMatcher查询节点

首先创建一个NodeMatcher对象，用match来指明要匹配哪种label的节点，用where来表示筛选条件（有两种方法）。需要注意的是，匹配成功返回的是NodeMatcher的对象，要转化成Node对象，可以用first取出符合条件的第一个节点，或者转化成节点的list。

>>>node_matcher = NodeMatcher(graph)>>>node = node_matcher.match('Person').where(age=20).first()>>>nodeNode(’Person’, age=20, name=’李李’, work=’好吧啦网’)>>>nodes = list(node_matcher.match('Person').where(age=35))>>>nodes[Node(’Person’, age=35, name=’王王’, work=’好吧啦网’)]

where条件有两种写法，一种是把要匹配的属性和值写成key=value的形式，例如上面的where(age=20)，这种写法只能按照值是否完全一致来匹配，不能按照值的大小来筛选，如果写成下面这样是会报错的：

node = node_matcher.match('Person').where(age>20).first() # 错误想要按照值的大小筛选或者做一些字符串的模糊匹配，可以把条件表达式写成一个字符串，整体放在where语句中，在这个字符串中，可以用 _ 来代指匹配到的节点。下面两个例子，第一个是匹配work属性为“月亮XX”模式的Person节点，另一个是匹配age大于20的Person节点。

>>>node = node_matcher.match('Person').where('_.work =~ ’月亮.*’').first()>>>nodeNode(’Person’, ’Teacher’, age=45, name=’赵赵’, work=’月亮中学’)>>>nodes = list(node_matcher.match('Person').where('_.age > 20'))>>>nodes[Node(’Person’, age=35, name=’王王’, work=’好吧啦网’), Node(’Person’, age=30, name=’张张’, work=’好吧啦网’), Node(’Person’, ’Teacher’, age=45, name=’赵赵’, work=’月亮中学’)]

将NodeMatcher返回的结果转化为Node数据类型或者Node的list之后，访问其中的属性也就十分简单了，如上面最后一例的结果，访问其中第一个节点的name属性：

>>>nodes[0][’name’]’王王’四、 使用RelationshipMatcher查询关系

RelationshipMatcher的match方法有三个及以上参数：

第一个参数是节点的序列或者set，可以为None，为None表示任意节点均可； 第二个参数是关系的类型，可以为None，为None表示任意类型的关系均可； 第三个参数开始是要匹配的属性，写成key=value的形式。

match方法的返回值是RelationshipMatcher类型，需要通过first转化成Relationship数据结构，或者转化为list。

举例说明：

列1：比如想要查询“李李”节点的所有关系。先查询出节点，再查询节点的关系，r_type=None表示任意类型的关系均可。返回的关系包括到访、同事。

>>>node1 = node_matcher.match('Person').where(name=’李李’).first()>>>relationship = list(relationship_matcher.match([node1], r_type=None))>>>relationship[到访(Node(’Person’, age=20, name=’李李’, work=’好吧啦网’), Node(’Location’, name=’禄口机场’), date=’2021/7/16’, stay_hours=1), 同事(Node(’Person’, age=20, name=’李李’, work=’好吧啦网’), Node(’Person’, age=30, name=’张张’, work=’好吧啦网’)), 同事(Node(’Person’, age=20, name=’李李’, work=’好吧啦网’), Node(’Person’, age=35, name=’王王’, work=’好吧啦网’))]

例2：查询“李李”和“张张”的关系，两个节点的顺序表示了要匹配的关系的方向。所以在整个图中“李李”和“张张”节点之间的同事关系是双向的，但是查询结果只给出了从“张张”节点到“李李”节点的一条关系。

>>>node1 = node_matcher.match('Person').where(name=’李李’).first()>>>node2 = node_matcher.match('Person').where(name=’张张’).first()>>>relationship = list(relationship_matcher.match((node2,node1), r_type=None))>>>relationship[同事(Node(’Person’, age=30, name=’张张’, work=’好吧啦网’), Node(’Person’, age=20, name=’李李’, work=’好吧啦网’))]

例3：询图中某一类关系，第一个参数为None，第二个参数r_type指定关系类型，这里查询了图中所有的同事关系。

>>>relationship = list(relationship_matcher.match(None, r_type=’同事’))>>>relationship[同事(Node(’Person’, age=20, name=’李李’, work=’好吧啦网’), Node(’Person’, age=30, name=’张张’, work=’好吧啦网’)), 同事(Node(’Person’, age=20, name=’李李’, work=’好吧啦网’), Node(’Person’, age=35, name=’王王’, work=’好吧啦网’)), 同事(Node(’Person’, age=35, name=’王王’, work=’好吧啦网’), Node(’Person’, age=20, name=’李李’, work=’好吧啦网’)), 同事(Node(’Person’, age=30, name=’张张’, work=’好吧啦网’), Node(’Person’, age=20, name=’李李’, work=’好吧啦网’))]

例4: 在查询关系时按照属性的值筛选，可以将该属性写为key=value的形式作为match方法的第三个参数。这里，查询图中的到访关系，并且stay_hours属性为1。

>>>relationship = list(relationship_matcher.match(None, r_type=’到访’, stay_hours=1))>>>relationship[到访(Node(’Person’, age=20, name=’李李’, work=’好吧啦网’), Node(’Location’, name=’禄口机场’), date=’2021/8/24’, stay_hours=1)]

虽然Py2neo的手册上没有写，但其实RelationshipMatcher也可以接上where方法，按照属性的值筛选关系。上面这个例子也可以写作下面这种形式，效果是一样的。

relationship = list(relationship_matcher.match(None, r_type=’到访’).where(stay_hours=1))同样，在where方法中也可以写一个字符串表达式，实现按值大小来筛选关系。例如要筛选出所有到访关系，且stay_hours>=1的关系时，可以这样写：

>>>relationship = list(relationship_matcher.match(None, r_type=’到访’).where('_.stay_hours>=1'))>>>relationship[到访(Node(’Person’, age=20, name=’李李’, work=’好吧啦网’), Node(’Location’, name=’禄口机场’), date=’2021/8/24’, stay_hours=1), 到访(Node(’Person’, age=20, name=’刘刘’, work=’地球电子商务公司’), Node(’Location’, name=’禄口机场’), date=’2021/8/24’, stay_hours=4)]

如何访问返回的结果中的各个属性呢，Relationship其实是包含了一对起止节点：start_node和end_node，包含了关系的类型，而关系的属性是以字典形式存在的，可以用get方法来获取属性的值。获取关系的起止节点：

>>>print(relationship[0].start_node[’name’])>>>print(relationship[0].end_node[’name’])李李禄口机场

获取关系的类型的文本字符串

>>>print(relationship[0])>>>print(type(relationship[0]).__name__)(李李)-[:到访 {date: ’2021/8/24’, stay_hours: 1}]->(禄口机场)到访

获取关系中的属性和值

>>>print(relationship[0].keys())>>>print(relationship[0].values())>>>print(relationship[0].get(’date’))dict_keys([’date’, ’stay_hours’])dict_values([’2021/8/24’, 1])2021/8/24五、通过执行Cypher语句查询

NodeMatcher和RelationshipMatcher能够表达的匹配条件相对简单，更加复杂的查询还是需要用Cypher语句来表达。Py2neo本身支持执行Cypher语句的执行，可以将复杂的查询写成Cypher语句，通过graph.run方法查询，返回的结果可以转化为pandas.DataFrame或者pandas.Series对象，从而和其他数据分析工具无缝衔接。

例如：要查询Person节点，并满足work属性为“好吧啦网”。Cypher语句中可以使用WHERE接条件表达式，使用AS将返回的属性改名，返回多个属性时，用xxx AS x, yyy AS y。graph.run方法之后再接to_data_frame()可以将返回的数据变成pandas的DataFrame对象，并且用AS改过的属性名即为DataFrame中的列名。

cypher_ = 'MATCH (n:Person) WHERE n.work=’好吧啦网’ RETURN n.name AS name, n.age AS age 'df = graph.run(cypher_).to_data_frame() # pd.DataFrame

例2：查询一个已知节点和其他哪些节点有关系，有什么样的关系。Cypher语言查询关系时用 < 或者 > 表示方向，这里需要返回type(r)，直接返回r的话结果里是空值。

>>>cypher_ = 'MATCH (n:Person)-[r]->(m:Person) WHERE n.name=’李李’ RETURN type(r) AS type,m.name AS name'>>>df = graph.run(cypher_).to_data_frame() # pd.DataFrame

例3：Cypher语言还可以查询路径，因为不确定返回的路径数量，所以最好先将结果转化为pandas.Series，再遍历访问其中每条路径的节点和关系。这里查询的是“赵赵”节点和“王王”节点之间的关系路径，关系指定为同事或邻居，关系不超过4层。

>>>cypher_ = 'MATCH path=(m:Person)-[:同事|邻居*1..4]->(n:Person) WHERE m.name=’赵赵’ AND n.name=’王王’ RETURN path'>>>s = graph.run(cypher_).to_series()>>>print(len(s))>>>s[0]Path(Node(’Person’, ’Teacher’, age=45, name=’赵赵’, work=’月亮中学’),邻居(Node(’Person’, ’Teacher’, age=45, name=’赵赵’, work=’月亮中学’), Node(’Person’, age=30, name=’张张’, work=’好吧啦网’)), 同事(Node(’Person’, age=30, name=’张张’, work=’好吧啦网’), Node(’Person’, age=20, name=’李李’, work=’好吧啦网’)), 同事(Node(’Person’, age=20, name=’李李’, work=’好吧啦网’), Node(’Person’, age=35, name=’王王’, work=’好吧啦网’)))

这里查询到的关系路径数量仅有1条。从上图的结果中也可以看出来，Path是一个比较复杂的结构，Path中的节点和关系分别用nodes和relationships表示，并且是按照路径上节点和关系的顺序分别存放的。这里给出一段示例代码，对每一个路径都做了直接打印path数据结构和自己组织路径文本。

for path in s: # 直接打印path print(path) # 获取路径中的节点和关系 nodes = path.nodes relationshis = path.relationships # 自己组织路径文本 path_text = '' for n,r in zip(nodes, relationshis):# 每次加入一个节点和一个关系的类型path_text += '{} - {} - '.format(n[’name’], type(r).__name__) # 别忘了最后一个节点 path_text += nodes[-1][’name’] + ’n’ print(path_text)

运行这段代码得的结果如下所示，上面一行是直接打印路径的结果，下面一行是自己组织文本得到的结果。

(赵赵)-[:邻居 {}]->(张张)-[:同事 {}]->(李李)-[:同事 {}]->(王王)赵赵 - 邻居 - 张张 - 同事 - 李李 - 同事 - 王王

使用Py2neo查询Neo4j中的节点、关系和路径时，条件简单的查询可以通NodeMatcher和RelationshipMatcher来实现。而较为复杂的查询，可以写成Cypher语句来查询，查询结果可以转化为pandas的DataFrame或者Series数据类型，与其他数据分析工具结合

以上就是python使用py2neo查询Neo4j的节点、关系及路径的详细内容，更多关于python py2neo的资料请关注好吧啦网其它相关文章！