Neo4j是一款開源圖數據庫，Py2neo提供了使用Python語言訪問Neo4j的接口。本文介紹了使用Py2neo的NodeMatcher和RelationshipMatcher查詢圖中的節點和關系，以及通過執行Cypher語句的查詢方式。​本文使用的Py2neo是2021.1之后的版本，手冊請戳這里：The Py2neo Handbook

一、連接Neo4j數據庫

本文中會用到多種數據類型，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數據庫的訪問地址、用戶名和密碼：

neo4j_url = ’訪問地址’user = ’用戶名’pwd = ’密碼’

在此時間段之前訪問數據庫的方式為：

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

在此時間段之后的版本訪問數據庫的方式為（就是這么不兼容）：

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

以下圖為例：

圖中包含一些Person節點，每個Person節點有name、age、work屬性； 其中“趙趙”節點是多label的節點，除了有Person標簽，它還有Teacher標簽； Person和Person節點之間有同事、鄰居、學生、老師等關系； 圖中還有一些Location節點，它們之間有包含關系； Person節點和Location節點之間有“到訪”關系，“到訪”關系具有date和stay_hours兩個屬性。

二、 通過graph.schema查詢圖中節點和關系有哪些類型

查看節點的類型用graph.schema.node_labels，查看關系的類型用graph.schema.relationship_types，它們的返回值類型都是frozenset，是不能增刪元素的集合。

>>>graph.schema.node_labels frozenset({’Location’, ’Person’, ’Teacher’})>>>graph.schema.relationship_typesfrozenset({’到訪’, ’包含’, ’同事’, ’學生’, ’老師’, ’鄰居’})三、使用NodeMatcher查詢節點

首先創建一個NodeMatcher對象，用match來指明要匹配哪種label的節點，用where來表示篩選條件（有兩種方法）。需要注意的是，匹配成功返回的是NodeMatcher的對象，要轉化成Node對象，可以用first取出符合條件的第一個節點，或者轉化成節點的list。

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

where條件有兩種寫法，一種是把要匹配的屬性和值寫成key=value的形式，例如上面的where(age=20)，這種寫法只能按照值是否完全一致來匹配，不能按照值的大小來篩選，如果寫成下面這樣是會報錯的：

node = node_matcher.match('Person').where(age>20).first() # 錯誤想要按照值的大小篩選或者做一些字符串的模糊匹配，可以把條件表達式寫成一個字符串，整體放在where語句中，在這個字符串中，可以用 _ 來代指匹配到的節點。下面兩個例子，第一個是匹配work屬性為“月亮XX”模式的Person節點，另一個是匹配age大于20的Person節點。

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

將NodeMatcher返回的結果轉化為Node數據類型或者Node的list之后，訪問其中的屬性也就十分簡單了，如上面最后一例的結果，訪問其中第一個節點的name屬性：

>>>nodes[0][’name’]’王王’四、 使用RelationshipMatcher查詢關系

RelationshipMatcher的match方法有三個及以上參數：

第一個參數是節點的序列或者set，可以為None，為None表示任意節點均可； 第二個參數是關系的類型，可以為None，為None表示任意類型的關系均可； 第三個參數開始是要匹配的屬性，寫成key=value的形式。

match方法的返回值是RelationshipMatcher類型，需要通過first轉化成Relationship數據結構，或者轉化為list。

舉例說明：

列1：比如想要查詢“李李”節點的所有關系。先查詢出節點，再查詢節點的關系，r_type=None表示任意類型的關系均可。返回的關系包括到訪、同事。

>>>node1 = node_matcher.match('Person').where(name=’李李’).first()>>>relationship = list(relationship_matcher.match([node1], r_type=None))>>>relationship[到訪(Node(’Person’, age=20, name=’李李’, work=’好吧啦網’), Node(’Location’, name=’祿口機場’), date=’2021/7/16’, stay_hours=1), 同事(Node(’Person’, age=20, name=’李李’, work=’好吧啦網’), Node(’Person’, age=30, name=’張張’, work=’好吧啦網’)), 同事(Node(’Person’, age=20, name=’李李’, work=’好吧啦網’), Node(’Person’, age=35, name=’王王’, work=’好吧啦網’))]

例2：查詢“李李”和“張張”的關系，兩個節點的順序表示了要匹配的關系的方向。所以在整個圖中“李李”和“張張”節點之間的同事關系是雙向的，但是查詢結果只給出了從“張張”節點到“李李”節點的一條關系。

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

例3：詢圖中某一類關系，第一個參數為None，第二個參數r_type指定關系類型，這里查詢了圖中所有的同事關系。

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

例4: 在查詢關系時按照屬性的值篩選，可以將該屬性寫為key=value的形式作為match方法的第三個參數。這里，查詢圖中的到訪關系，并且stay_hours屬性為1。

>>>relationship = list(relationship_matcher.match(None, r_type=’到訪’, stay_hours=1))>>>relationship[到訪(Node(’Person’, age=20, name=’李李’, work=’好吧啦網’), Node(’Location’, name=’祿口機場’), date=’2021/8/24’, stay_hours=1)]

雖然Py2neo的手冊上沒有寫，但其實RelationshipMatcher也可以接上where方法，按照屬性的值篩選關系。上面這個例子也可以寫作下面這種形式，效果是一樣的。

relationship = list(relationship_matcher.match(None, r_type=’到訪’).where(stay_hours=1))同樣，在where方法中也可以寫一個字符串表達式，實現按值大小來篩選關系。例如要篩選出所有到訪關系，且stay_hours>=1的關系時，可以這樣寫：

>>>relationship = list(relationship_matcher.match(None, r_type=’到訪’).where('_.stay_hours>=1'))>>>relationship[到訪(Node(’Person’, age=20, name=’李李’, work=’好吧啦網’), Node(’Location’, name=’祿口機場’), date=’2021/8/24’, stay_hours=1), 到訪(Node(’Person’, age=20, name=’劉劉’, work=’地球電子商務公司’), Node(’Location’, name=’祿口機場’), date=’2021/8/24’, stay_hours=4)]

如何訪問返回的結果中的各個屬性呢，Relationship其實是包含了一對起止節點：start_node和end_node，包含了關系的類型，而關系的屬性是以字典形式存在的，可以用get方法來獲取屬性的值。獲取關系的起止節點：

>>>print(relationship[0].start_node[’name’])>>>print(relationship[0].end_node[’name’])李李祿口機場

獲取關系的類型的文本字符串

>>>print(relationship[0])>>>print(type(relationship[0]).__name__)(李李)-[:到訪 {date: ’2021/8/24’, stay_hours: 1}]->(祿口機場)到訪

獲取關系中的屬性和值

>>>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、通過執行Cypher語句查詢

NodeMatcher和RelationshipMatcher能夠表達的匹配條件相對簡單，更加復雜的查詢還是需要用Cypher語句來表達。Py2neo本身支持執行Cypher語句的執行，可以將復雜的查詢寫成Cypher語句，通過graph.run方法查詢，返回的結果可以轉化為pandas.DataFrame或者pandas.Series對象，從而和其他數據分析工具無縫銜接。

例如：要查詢Person節點，并滿足work屬性為“好吧啦網”。Cypher語句中可以使用WHERE接條件表達式，使用AS將返回的屬性改名，返回多個屬性時，用xxx AS x, yyy AS y。graph.run方法之后再接to_data_frame()可以將返回的數據變成pandas的DataFrame對象，并且用AS改過的屬性名即為DataFrame中的列名。

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

例2：查詢一個已知節點和其他哪些節點有關系，有什么樣的關系。Cypher語言查詢關系時用 < 或者 > 表示方向，這里需要返回type(r)，直接返回r的話結果里是空值。

>>>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語言還可以查詢路徑，因為不確定返回的路徑數量，所以最好先將結果轉化為pandas.Series，再遍歷訪問其中每條路徑的節點和關系。這里查詢的是“趙趙”節點和“王王”節點之間的關系路徑，關系指定為同事或鄰居，關系不超過4層。

>>>cypher_ = 'MATCH path=(m:Person)-[:同事|鄰居*1..4]->(n:Person) WHERE m.name=’趙趙’ 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=’趙趙’, work=’月亮中學’),鄰居(Node(’Person’, ’Teacher’, age=45, name=’趙趙’, work=’月亮中學’), Node(’Person’, age=30, name=’張張’, work=’好吧啦網’)), 同事(Node(’Person’, age=30, name=’張張’, work=’好吧啦網’), Node(’Person’, age=20, name=’李李’, work=’好吧啦網’)), 同事(Node(’Person’, age=20, name=’李李’, work=’好吧啦網’), Node(’Person’, age=35, name=’王王’, work=’好吧啦網’)))

這里查詢到的關系路徑數量僅有1條。從上圖的結果中也可以看出來，Path是一個比較復雜的結構，Path中的節點和關系分別用nodes和relationships表示，并且是按照路徑上節點和關系的順序分別存放的。這里給出一段示例代碼，對每一個路徑都做了直接打印path數據結構和自己組織路徑文本。

for path in s: # 直接打印path print(path) # 獲取路徑中的節點和關系 nodes = path.nodes relationshis = path.relationships # 自己組織路徑文本 path_text = '' for n,r in zip(nodes, relationshis):# 每次加入一個節點和一個關系的類型path_text += '{} - {} - '.format(n[’name’], type(r).__name__) # 別忘了最后一個節點 path_text += nodes[-1][’name’] + ’n’ print(path_text)

運行這段代碼得的結果如下所示，上面一行是直接打印路徑的結果，下面一行是自己組織文本得到的結果。

(趙趙)-[:鄰居 {}]->(張張)-[:同事 {}]->(李李)-[:同事 {}]->(王王)趙趙 - 鄰居 - 張張 - 同事 - 李李 - 同事 - 王王

使用Py2neo查詢Neo4j中的節點、關系和路徑時，條件簡單的查詢可以通NodeMatcher和RelationshipMatcher來實現。而較為復雜的查詢，可以寫成Cypher語句來查詢，查詢結果可以轉化為pandas的DataFrame或者Series數據類型，與其他數據分析工具結合

以上就是python使用py2neo查詢Neo4j的節點、關系及路徑的詳細內容，更多關于python py2neo的資料請關注好吧啦網其它相關文章！