neo4j 快速搭建应用

向右看齐 2022-10-10 12:58 167阅读 0赞

# 一、安装neo4j #

## 1、从docker hub上面pull下最新的neo4j最新的镜像 ##

英文版本镜像
    docker pull neo4j
    中文版本镜像
    docker pull neo4jchina/neo4j-chs

如下所示：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdmZW5nbGluZzEwMjM_size_16_color_FFFFFF_t_70][]查看镜像

docker images

![2021062817275980.png][]

## 2、启动镜像 ##

docker run -d --name container_name \ //-d表示容器后台运行 --name指定容器名字
    -p 7474:7474 -p 7687:7687 \ //映射容器的端口号到宿主机的端口号
    -v /home/neo4j/data:/data \ //把容器内的数据目录挂载到宿主机的对应目录下
    -v /home/neo4j/logs:/logs \ //挂载日志目录
    -v /home/neo4j/conf:/var/lib/neo4j/conf \ //挂载配置目录
    -v /home/neo4j/import:/var/lib/neo4j/import \ //挂载数据导入目录
    --env NEO4J_AUTH=用户名/密码 \ //设定数据库的名字的访问密码，用于web界面使用
    neo4j //指定使用的镜像

合并成一条执行语句

docker run -d --name neo4j -p 7474:7474 -p 7687:7687 -v /home/neo4j/data:/data -v /home/neo4j/logs:/logs -v /home/neo4j/conf:/var/lib/neo4j/conf -v /home/neo4j/import:/var/lib/neo4j/import --env NEO4J_AUTH=neo4j/neo4j neo4j

## 3、修改配置文件 ##

修改内容如下：

dbms.default_listen_address=0.0.0.0
    dbms.bolt.listen_address=0.0.0.0:7687
    dbms.http.listen_address=0.0.0.0:7474
    dbms.default_database=neo4j # 设置默认数据库名字
    
    dbms.memory.pagecache.size=512M
    
    cypher.forbid_shortestpath_common_nodes= false
    dbms.tx_log.rotation.retention_policy=100M size
    dbms.directories.logs=/log

## 4、启动neo4j ##

a、进入镜像

docker exec -it neo4j bash

b、输入 neo4j status 查看neo4j 使用状态

neo4j status

没启动结果如下：

![20210628174318951.png][]

c、执行neo4j start 启动

neo4j start

执行结果如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaXdlaV9iaWFu_size_16_color_FFFFFF_t_70][]

输入 neo4j status 查看启动状态，如下表示已经成功了

![20210628174543137.png][]

## 5、在浏览器中访问查看neo4j数据库 ##

在浏览器输入 [http://localhost:7474/][http_localhost_7474]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaXdlaV9iaWFu_size_16_color_FFFFFF_t_70 1][]

输入用户名密码进入如下界面表示图数据库创建成功：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaXdlaV9iaWFu_size_16_color_FFFFFF_t_70 2][]

## 6、快速导入数据 ##

### 1.选取导入方式 ###

neo4j的导入方式有很多，我大概总结了一下：

1.  Cypher CREATE 语句，为每一条数据写一个CREATE
2.  Cypher[ LOAD CSV][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

<table> 
 <tbody> 
 <tr> 
 <td style="vertical-align:middle;width:109.5pt;"></td> 
 <td style="vertical-align:middle;width:109.5pt;">create语句</td> 
 <td style="vertical-align:middle;width:109.5pt;">load csv语句</td> 
 <td style="vertical-align:middle;width:109.5pt;">Batch Inseter</td> 
 <td style="vertical-align:middle;width:109.5pt;">Batch Import</td> 
 <td style="vertical-align:middle;width:109.5pt;">neo4j-import</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;width:109.5pt;">适用场景</td> 
 <td style="vertical-align:middle;width:109.5pt;">1~1w nodes</td> 
 <td style="vertical-align:middle;width:109.5pt;">1w~10w nodes</td> 
 <td style="vertical-align:middle;width:109.5pt;">千万以上 nodes</td> 
 <td style="vertical-align:middle;width:109.5pt;">千万以上 nodes</td> 
 <td style="vertical-align:middle;width:109.5pt;">千万以上 nodes</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;width:109.5pt;">速度</td> 
 <td style="vertical-align:middle;width:109.5pt;">很慢(1000 nodes/s)</td> 
 <td style="vertical-align:middle;width:109.5pt;">一般(5000 nodes/s)</td> 
 <td style="vertical-align:middle;width:109.5pt;">非常快(数万nodes/s)</td> 
 <td style="vertical-align:middle;width:109.5pt;">非常快(数万nodes/s)</td> 
 <td style="vertical-align:middle;width:109.5pt;">非常快(数万nodes/s)</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;width:109.5pt;">优点</td> 
 <td style="vertical-align:middle;width:109.5pt;">使用方便，可实时插入。</td> 
 <td style="vertical-align:middle;width:109.5pt;">使用方便，可以加载本地</td> 
 <td style="vertical-align:middle;width:109.5pt;">远程CSV；可实时插入</td> 
 <td style="vertical-align:middle;width:109.5pt;">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</td> 
 <td style="vertical-align:middle;width:109.5pt;">官方出品，比Batch Import占用更少的资源</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;width:109.5pt;">缺点</td> 
 <td style="vertical-align:middle;width:109.5pt;">速度慢</td> 
 <td style="vertical-align:middle;width:109.5pt;">需要将数据转换成csv</td> 
 <td style="vertical-align:middle;width:109.5pt;">需要转成CSV；只能在JAVA中使用；且插入时必须停止neo4j</td> 
 <td style="vertical-align:middle;width:109.5pt;">需要转成CSV；必须停止neo4j</td> 
 <td style="vertical-align:middle;width:109.5pt;">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</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;width:109.5pt;"></td> 
 <td style="vertical-align:middle;width:109.5pt;"></td> 
 <td style="vertical-align:middle;width:109.5pt;"></td> 
 <td style="vertical-align:middle;width:109.5pt;"></td> 
 <td style="vertical-align:middle;width:109.5pt;"></td> 
 <td style="vertical-align:middle;width:109.5pt;"></td> 
 </tr> 
 </tbody> 
</table>

可以看出导入的方式有很多，由于我们导入的数据量较大，所以我这里选择的是最后一种 **neo4j-import**，大家也可以去选择其他的导入方式

neo4j-import 使用  
我们打开neo4j-import使用的网站可以看到这样的一段摘要

Super Fast Batch Importer For Huge Datasets LOAD CSV is great for
    importing small – medium sized data, i.e. up to the 10M records range.
    For large data sets, i.e. in the 100B records range, we have access to
    a specialized bulk importer.
    
    We want to use it to import similar order data into Neo4j: customers,
    orders and contained products.
    
    The tool is located in path/to/neo4j/bin/neo4j-import and is used as
    follows:

这段话的大致意思是我们使用load csv无法满足我们大数据量的业务需要，所以我们不得不去选择一种新的导入方式，这里我们选择了neo4j-import这种方式，以下是一个导入的例子

bin/neo4j-admin import \
        --nodes=import/account.csv \
        --nodes=import/products.csv \
        --nodes=import/device.csv \
        --nodes=import/wlan_mac.csv  \
        --relationships=import/relationships.csv   \
        --database=neo4j \
        --skip-duplicate-nodes=true \
        --ignore-empty-strings=true

例子中的数据结构为：  
如果您调用 neo4j-import 没有参数的脚本，它将列出一个全面的帮助页面。

该 \--database=neo4j 显然是目标数据库，其中不能包含现有数据库。

重复\--nodes和\--relationships参数是同一实体的多个（可能分裂的）csv文件的组，即具有相同的列结构。

每组的所有文件都被视为可以连接成一个大文件。一个标题行的组的第一个文件是必需的，它甚至可能被包含在其中可能比一个多GB的文本文件更易于处理和编辑一个单行文件。也支持压缩文件。

列名用于节点和关系的属性名称，特定列有一些额外的标记

*  name:ID - 全局id列，通过该列查找节点以便以后重新连接，
    
     *  如果保留属性名称，它将不会被存储（临时），这就是–id-type所指的
     *  如果你有跨实体的重复id，你必须在括号中提供实体（id-group） :ID(Order)
     *  如果您的ID是全球唯一的，您可以将其关闭
 *  :LABEL - 节点的标签列，多个标签可以用分隔符分隔
 *  :START\_ID，:END\_ID- 关系文件列，引用节点ID，用于id-groups使用:END\_ID(Order)
 *  :TYPE - 关系型列
 *  所有其他列都被视为属性，但如果为空或在注释时跳过：IGNORE
 *  类型转换可以通过后面添加的名称，例如通过:INT，:BOOLEAN等

## 2、制作数据源 ##

* account.csv
 
 <table style="width:216.03pt;"> 
 <tbody> 
 <tr> 
 <td style="vertical-align:middle;width:54pt;">customerID:ID</td> 
 <td style="vertical-align:middle;width:54pt;">name</td> 
 <td style="vertical-align:middle;width:54pt;">is_account</td> 
 <td style="vertical-align:middle;width:54pt;">:LABEL</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411112222</td> 
 <td style="vertical-align:middle;">test</td> 
 <td style="vertical-align:middle;">1</td> 
 <td style="vertical-align:middle;">Customer</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411112223</td> 
 <td style="vertical-align:middle;">test</td> 
 <td style="vertical-align:middle;">1</td> 
 <td style="vertical-align:middle;">Customer</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411113333</td> 
 <td style="vertical-align:middle;">test</td> 
 <td style="vertical-align:middle;">1</td> 
 <td style="vertical-align:middle;">Customer</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411114444</td> 
 <td style="vertical-align:middle;">test</td> 
 <td style="vertical-align:middle;">1</td> 
 <td style="vertical-align:middle;">Customer</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411114445</td> 
 <td style="vertical-align:middle;">test</td> 
 <td style="vertical-align:middle;">1</td> 
 <td style="vertical-align:middle;">Customer</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411114446</td> 
 <td style="vertical-align:middle;">test</td> 
 <td style="vertical-align:middle;">1</td> 
 <td style="vertical-align:middle;">Customer</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411117777</td> 
 <td style="vertical-align:middle;">test</td> 
 <td style="vertical-align:middle;">1</td> 
 <td style="vertical-align:middle;">Customer</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">841112233</td> 
 <td style="vertical-align:middle;">test</td> 
 <td style="vertical-align:middle;">1</td> 
 <td style="vertical-align:middle;">Customer</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">844445555</td> 
 <td style="vertical-align:middle;">test</td> 
 <td style="vertical-align:middle;">1</td> 
 <td style="vertical-align:middle;">Customer</td> 
 </tr> 
 </tbody> 
 </table>
 * device.csv

<table style="width:162.03pt;"> 
 <tbody> 
 <tr> 
 <td style="vertical-align:middle;width:54pt;">deviceID:ID</td> 
 <td style="vertical-align:middle;width:54pt;">name</td> 
 <td style="vertical-align:middle;width:54pt;">:LABEL</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">0000455ad14e2f62b76feab98cc4203c1f5578b2</td> 
 <td style="vertical-align:middle;">Redmi Note 5A Prime</td> 
 <td style="vertical-align:middle;">Device</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">00005c6a3b296d075320a70e7756693bc19885ec</td> 
 <td style="vertical-align:middle;">Redmi Note 5A</td> 
 <td style="vertical-align:middle;">Device</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">0000681484a23b03c160701090a3d389d032203e</td> 
 <td style="vertical-align:middle;">Infinix X680B</td> 
 <td style="vertical-align:middle;">Device</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">000079ebe883fe325a4ea560db7a43737f9371c3</td> 
 <td style="vertical-align:middle;">vivo 1718</td> 
 <td style="vertical-align:middle;">Device</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">0000d8b3062c2721368c1712ea2695d2d9dad433</td> 
 <td style="vertical-align:middle;">vivo 1904</td> 
 <td style="vertical-align:middle;">Device</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">00010436c4308dfd38b2c59e11caed26f82d6b97</td> 
 <td style="vertical-align:middle;">vivo 1918</td> 
 <td style="vertical-align:middle;">Device</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">0001d3af4d6c6f5486a7083a321dbfac2744815b</td> 
 <td style="vertical-align:middle;">A37f</td> 
 <td style="vertical-align:middle;">Device</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">0001e13e071e771ea8c9e999ad9fb6e59c564957</td> 
 <td style="vertical-align:middle;">SM-G530H</td> 
 <td style="vertical-align:middle;">Device</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">0001e2202d7ef8dde77239dc78332fb767bb1c98</td> 
 <td style="vertical-align:middle;">SM-A015F</td> 
 <td style="vertical-align:middle;">Device</td> 
 </tr> 
 </tbody> 
</table>

* wlan\_mac.csv
 
 <table style="width:162.03pt;"> 
 <tbody> 
 <tr> 
 <td style="vertical-align:middle;width:54pt;">WlanMacID:ID</td> 
 <td style="vertical-align:middle;width:54pt;">name</td> 
 <td style="vertical-align:middle;width:54pt;">:LABEL</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">00:00:00:00:73:31</td> 
 <td style="vertical-align:middle;">00:00:00:00:73:31</td> 
 <td style="vertical-align:middle;">WlanMac</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">00:00:00:11:35:D7</td> 
 <td style="vertical-align:middle;">00:00:00:11:35:D7</td> 
 <td style="vertical-align:middle;">WlanMac</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">00:00:00:80:00:00</td> 
 <td style="vertical-align:middle;">00:00:00:80:00:00</td> 
 <td style="vertical-align:middle;">WlanMac</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">00:00:01:14:96:F9</td> 
 <td style="vertical-align:middle;">00:00:01:14:96:F9</td> 
 <td style="vertical-align:middle;">WlanMac</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">00:00:01:F8:D7:A1</td> 
 <td style="vertical-align:middle;">00:00:01:F8:D7:A1</td> 
 <td style="vertical-align:middle;">WlanMac</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">00:00:08:22:43:60</td> 
 <td style="vertical-align:middle;">00:00:08:22:43:60</td> 
 <td style="vertical-align:middle;">WlanMac</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">00:00:08:5B:A3:2B</td> 
 <td style="vertical-align:middle;">00:00:08:5B:A3:2B</td> 
 <td style="vertical-align:middle;">WlanMac</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">00:00:0A:F2:E0:AE</td> 
 <td style="vertical-align:middle;">00:00:0A:F2:E0:AE</td> 
 <td style="vertical-align:middle;">WlanMac</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">00:00:0E:32:72:A4</td> 
 <td style="vertical-align:middle;">00:00:0E:32:72:A4</td> 
 <td style="vertical-align:middle;">WlanMac</td> 
 </tr> 
 </tbody> 
 </table>
 * relationsshpes.csv
 
 <table style="width:376.52pt;"> 
 <tbody> 
 <tr> 
 <td style="vertical-align:middle;width:69pt;">:START_ID</td> 
 <td style="vertical-align:middle;width:269.25pt;">:END_ID</td> 
 <td style="vertical-align:middle;width:38.25pt;">:TYPE</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411112222</td> 
 <td style="vertical-align:middle;">0000455ad14e2f62b76feab98cc4203c1f5578b2</td> 
 <td style="vertical-align:middle;">use</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411112223</td> 
 <td style="vertical-align:middle;">00005c6a3b296d075320a70e7756693bc19885ec</td> 
 <td style="vertical-align:middle;">use</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411113333</td> 
 <td style="vertical-align:middle;">0000681484a23b03c160701090a3d389d032203e</td> 
 <td style="vertical-align:middle;">use</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411114444</td> 
 <td style="vertical-align:middle;">000079ebe883fe325a4ea560db7a43737f9371c3</td> 
 <td style="vertical-align:middle;">use</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411114445</td> 
 <td style="vertical-align:middle;">0000d8b3062c2721368c1712ea2695d2d9dad433</td> 
 <td style="vertical-align:middle;">use</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411114446</td> 
 <td style="vertical-align:middle;">00010436c4308dfd38b2c59e11caed26f82d6b97</td> 
 <td style="vertical-align:middle;">use</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411117777</td> 
 <td style="vertical-align:middle;">0001d3af4d6c6f5486a7083a321dbfac2744815b</td> 
 <td style="vertical-align:middle;">use</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">841112233</td> 
 <td style="vertical-align:middle;">0001e13e071e771ea8c9e999ad9fb6e59c564957</td> 
 <td style="vertical-align:middle;">use</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">844445555</td> 
 <td style="vertical-align:middle;">0001e2202d7ef8dde77239dc78332fb767bb1c98</td> 
 <td style="vertical-align:middle;">use</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411112222</td> 
 <td style="vertical-align:middle;">00:00:00:00:73:31</td> 
 <td style="vertical-align:middle;">links</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411112223</td> 
 <td style="vertical-align:middle;">00:00:00:11:35:D7</td> 
 <td style="vertical-align:middle;">links</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411113333</td> 
 <td style="vertical-align:middle;">00:00:00:80:00:00</td> 
 <td style="vertical-align:middle;">links</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411114444</td> 
 <td style="vertical-align:middle;">00:00:01:14:96:F9</td> 
 <td style="vertical-align:middle;">links</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411114445</td> 
 <td style="vertical-align:middle;">00:00:01:F8:D7:A1</td> 
 <td style="vertical-align:middle;">links</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411114446</td> 
 <td style="vertical-align:middle;">00:00:08:22:43:60</td> 
 <td style="vertical-align:middle;">links</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411117777</td> 
 <td style="vertical-align:middle;">00:00:08:5B:A3:2B</td> 
 <td style="vertical-align:middle;">links</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">841112233</td> 
 <td style="vertical-align:middle;">00:00:0A:F2:E0:AE</td> 
 <td style="vertical-align:middle;">links</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">844445555</td> 
 <td style="vertical-align:middle;">00:00:0E:32:72:A4</td> 
 <td style="vertical-align:middle;">links</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411112222</td> 
 <td style="vertical-align:middle;">8411112223</td> 
 <td style="vertical-align:middle;">knows</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411112223</td> 
 <td style="vertical-align:middle;">8411114444</td> 
 <td style="vertical-align:middle;">knows</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411113333</td> 
 <td style="vertical-align:middle;">8411114444</td> 
 <td style="vertical-align:middle;">knows</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411114444</td> 
 <td style="vertical-align:middle;">8411114445</td> 
 <td style="vertical-align:middle;">knows</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411114445</td> 
 <td style="vertical-align:middle;">8411114446</td> 
 <td style="vertical-align:middle;">knows</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411114446</td> 
 <td style="vertical-align:middle;">8411117777</td> 
 <td style="vertical-align:middle;">knows</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">8411117777</td> 
 <td style="vertical-align:middle;">841112233</td> 
 <td style="vertical-align:middle;">knows</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">841112233</td> 
 <td style="vertical-align:middle;">8411112223</td> 
 <td style="vertical-align:middle;">knows</td> 
 </tr> 
 <tr> 
 <td style="vertical-align:middle;">844445555</td> 
 <td style="vertical-align:middle;">8411112223</td> 
 <td style="vertical-align:middle;">knows</td> 
 </tr> 
 </tbody> 
 </table>
 
 ## 3、导入数据 ##
 
 * 上传文件至服务器/home/neo4j/import目录 
 ![20210628184116682.png][]
 * 删除原数据库neo4j
 
 cd /home/neo4j/data/databases/
 rm -rf neo4j
 cd /home/neo4j/data/transactions/
 rm -rf neo4j
 * 进入镜像：
 
 docker exec -it neo4j bash
 * 执行语句: 
 
 
 bin/neo4j-admin import --nodes=import/account.csv --nodes=import/device.csv --nodes=import/wlan_mac.csv --relationships=import/relationships.csv --database=neo4j --skip-duplicate-nodes=true --ignore-empty-strings=true
 * 重启镜像 
 
 
 docker restart neo4j

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3lhbmdmZW5nbGluZzEwMjM_size_16_color_FFFFFF_t_70]: /images/20221005/fee5e5586bf04862bcabb2b4bb0b707b.png
[2021062817275980.png]: /images/20221005/87039326bad1444c99aeda63f1aabff5.png
[20210628174318951.png]: /images/20221005/669b3784efb94729b6feb0f50616edea.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaXdlaV9iaWFu_size_16_color_FFFFFF_t_70]: /images/20221005/a1abe6b62da24dfaa1c1480c69f0cc83.png
[20210628174543137.png]: /images/20221005/e24f14b14c03414bba79492c6fca45e8.png
[http_localhost_7474]: http://159.138.151.98:7474/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaXdlaV9iaWFu_size_16_color_FFFFFF_t_70 1]: /images/20221005/ae6897f8b2c94102b66df4d8ac41e240.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3poaXdlaV9iaWFu_size_16_color_FFFFFF_t_70 2]: /images/20221005/10164b7dc12a442c8bdad72d14b280b1.png
[LOAD CSV]: https://neo4j.com/developer/guide-import-csv/#_load_csv_for_medium_sized_datasets
[Batch Inserter]: https://neo4j.com/docs/java-reference/current/javadocs/org/neo4j/unsafe/batchinsert/BatchInserter.html
[Batch Import]: https://github.com/mo9527/batch-import
[neo4j-import]: https://neo4j.com/docs/operations-manual/current/tools/neo4j-admin-import/
[20210628184116682.png]: /images/20221005/72c6693fde5c40078480c05764b61020.png