Cayley图数据库的简介及使用

摘要：图数据库现已涌现出许多出众的软件，比如笔者写过的文章入门之中国电影票房排行浅析中的，为进行关系数据分析而构建的，高度可扩展的分布式图数据库以及的开源图数据库等。

  在如今数据库群雄逐鹿的时代中，非关系型数据库（NoSQL）已经占据了半壁江山，而图数据库（Graph Database）更是攻城略地，成为其中的佼佼者。
  所谓图数据库，它应用图理论（Graph Theory）可以存储实体的相关属性以及它们之间的关系信息。最常见例子就是社会网络中人与人之间的关系。相比于关系型数据库（比如MySQL等），图数据库更能胜任这方面的任务。
  图数据库现已涌现出许多出众的软件，比如笔者写过的文章Neo4j入门之中国电影票房排行浅析中的Neo4j，Twitter为进行关系数据分析而构建的FlockDB，高度可扩展的分布式图数据库JanusGraph以及Google的开源图数据库Cayley等。
  本文将具体介绍Cayley图数据库。

  Cayley图数据库是 Google 的一个开源图(Graph)数据库，其灵感来自于 Freebase 和 Google 的知识图谱背后的图数据库。它采用Go语言编写而成，运行命令简单，一般只需要3到4个命令即可。同时，它拥有RESTful API，内建查询编辑器和可视化界面，支持多种查询语言，比如JavaScript，MQL等。另外，它还能支持多种后端数据库储存，比如MySQL，MongoDB, LevelDB等，性能良好，测试覆盖率也OK，功能十分丰富且强大。
  当然，对于我们而言，最重要的特性应该是开源。Cayley图数据库的官方Github地址为：https://github.com/cayleygraph/cayley 。
  下面将具体介绍如何安装及使用Cayley图数据库。

  关于Cayley图数据库的安装，不同的操作系统的安装方式不一样。下载的网址为：https://github.com/cayleygraph/cayley/releases， 截图如下：

读者可依据自己的电脑系统下载相应的文件，笔者的电脑为Mac，因此选择cayley_0.7.5_darwin_amd64.tar.gz文件。同时你的电脑上需要安装一款Cayley用来储存后台数据的数据库，笔者选择了MongoDB数据库。
  当然，Cayley还为你提供了完整的使用说明文档，可以参考网址：https://github.com/cayleygraph/cayley/blob/master/docs/Quickstart-As-Application.md， 它能帮你快速熟悉Cayley的操作，助你快快上手。笔者会用更简单的方式帮你熟悉该图数据库。
  So, let"s begin!

  为了能够更好地了解Cayley图数据库，我们应该从数据开始一步步地来构建图数据库，并实现查询功能。本文的数据来源于文章Neo4j入门之中国电影票房排行浅析， 其中爬取了中国电影票房信息，如下：

以及每部电影中的主演信息，如下：

得到了两个表格文件movies.csv和actor.csv，文件的内容如下：

数据准备完毕。如读者需要下载该数据，可以参考网址：https://github.com/percent4/Neo4j_movie_demo 。

  Cayley数据库支持三元组文件导入，所谓三元组，指的是主语subject，谓语predicate 以及宾语object，每个三元组为一行。
  Cayley数据库支持的三元组文件以nq为后缀，每个三元组为一行，主语、谓语、宾语中间用空格分开，同时还需要注意一下事项（笔者亲自踩坑的经历）：

注意空格，空格是划分实体的标志;

注意"，"是关键字，也不能在实体中出现;

不能在实体中出现换行符（比如n）;

不能出现重复的数据(实体重复、三元组重复都不行)。

  接着我们利用Python程序将movies.csv和actors.csv文件处理成三元组。我们抽取的原则如下：

电影名，演员名为实体；

电影名与电影的关系为ISA，即电影名 ISA Movie;

演员名与电影名的关系为ACT_IN，即演员名 ACT_IN 电影名；

电影名的其余为属性对，即电影名 属性 属性名， 比如战狼2 rank 1.

  实现的Python程序如下：

# -*- coding: utf-8 -*-

import pandas as pd

# 读取文件
movies = pd.read_csv("movies.csv")
actors = pd.read_csv("actors.csv")
# print(movies.head())

# 处理电影数据为三元组，抽取的三运组如下：
# 电影名 ISA Movie
# 电影名 属性 属性值
with open("China_Movie.nq", "w") as f:
    name_df = movies["name"]
    for i in range(name_df.shape[0]):
        f.write("<%s>   .
"%name_df[i])
        for col in movies.columns:
            if col != "name":
                f.write("<%s> <%s> "%s" .
"%(name_df[i], col, movies[col][i]))


# 处理演员数据为三元组，抽取的三运组如下：
# 演员名 ISA Actor
# 演员名 ACT_IN 电影名
with open("China_Movie.nq", "a") as f:
    for i in range(actors.shape[0]):
        for actor in actors["actors"][i].split("，"):
            f.write("<%s>  <%s> .
" % (actor, actors["name"][i]))

在China_Movie.nq中，共有276个三元组，文件的前几行如下：

<战狼2>   .
<战狼2>  "1" .
<战狼2>  "/item/%E6%88%98%E7%8B%BC2" .
<战狼2>  "56.83亿" .
<战狼2>  "35" .
<战狼2>  "38" .
<战狼2>  "2017.07.27" .
<流浪地球>   .
<流浪地球>  "2" .
<流浪地球>  "/item/%E6%B5%81%E6%B5%AA%E5%9C%B0%E7%90%83" .
<流浪地球>  "40.83亿" .
<流浪地球>  "46" .
<流浪地球>  "50" .
<流浪地球>  "2019.02.05" .
<红海行动>   .

  将China_Movie.nq文件移动至Cayley的data目录下，同时配置cayley_example.yml文件，内容如下：

store:
  # backend to use
  backend: mongo
  # address or path for the database
  address: "localhost:27017"
  # open database in read-only mode
  read_only: false
  # backend-specific options
  options:
    nosync: false
query:
  timeout: 30s
load:
  ignore_duplicates: false
  ignore_missing: false
  batch: 10000

在该配置文件中，声明了Cayley的后台数据库为MongoDB，同时制定了ip及端口。
  接着运行命令：

./cayley load -c cayley_example.yml -i data/China_Movie.nq

等待数据导入，接着前往MongoDB中查看，如发现MongoDB中存在cayley数据库，则表明数据导入成功。

  接着再输入命令：

./cayley http -i ./data/China_Movie.nq -d memstore --host=:64210

这样就支持在浏览器中进行查询了，只需要在浏览器中输入http://localhost:64210/ 即可，界面如下：

  关于查询语句，它是图数据库的精华所在，而对于Cayley而言，它的查询语句相对来说就比较简单且好理解，具体的查询语句命令可以参考官网： https://github.com/cayleygraph/cayley/blob/master/docs/GizmoAPI.md
，本文将通过几个简单的查询语句来说明怎样对Cayley图数据库进行查询。

查询一共有多少条数据

命令为：

var n = g.V().Count();
g.Emit(n);

其中g代表图，V代表顶点，g.Emit()会将结果以JSON格式返回。输出的结果如下：

{
    "result": [
        521
    ]
}

查询全部电影

命令为：

var movies = g.V("").In("").ToArray();
g.Emit(movies);

返回的结果如下：

{
    "result": [
        [
            "<战狼2>",
            "<流浪地球>",
            "<红海行动>",
            "<唐人街探案2>",
            "<美人鱼>",
            "<我不是药神>",
            "<速度与激情8>",
            "<西虹市首富>",
            "<捉妖记>",
            "<速度与激情7>",
            "<复仇者联盟3：无限战争>",
            "<捉妖记2>",
            "<羞羞的铁拳>",
            "<海王>",
            "<变形金刚4：绝迹重生>",
            "<前任3：再见前任>",
            "<疯狂的外星人>",
            "<毒液：致命守护者>",
            "<功夫瑜伽>",
            "<侏罗纪世界2>"
        ]
    ]
}

查询电影《流浪地球》的所有属性值

命令为：

var movie = "<流浪地球>";
var attrs = g.V(movie).OutPredicates().ToArray(); //类型为object，即字典

values = new Array();
for (i in attrs) {
    var value = g.V(movie).Out(attrs[i]).ToValue();
    values[i] = value;
}

key_val_json = new Object();

for (i in attrs) {
  key_val_json[attrs[i]]= values[i];
}

g.Emit(key_val_json)

输出结果如下：

 {
    "result": [
        {
            "": "",
            "": "50",
            "": "46",
            "": "2019.02.05",
            "": "40.83亿",
            "": "2",
            "": "/item/%E6%B5%81%E6%B5%AA%E5%9C%B0%E7%90%83"
        }
    ]
}

查询沈腾主演的电影

命令为：

var movies = g.V("<沈腾>").Out("").ToArray();
g.Emit(movies);

输出为：

{
    "result": [
        [
            "<西虹市首富>",
            "<羞羞的铁拳>",
            "<疯狂的外星人>"
        ]
    ]
}

查询《捉妖记》与《捉妖记2》的共同演员

命令为:

var actors1 = g.V("<捉妖记>").In("");
var actors2 = g.V("<捉妖记2>").In("");
var common_actor = actors2.Intersect(actors1).ToArray();//集合交集
g.Emit(common_actor);

输出为：

{
    "result": [
        [
            "<白百何>",
            "<井柏然>",
            "<曾志伟>",
            "<吴君如>"
        ]
    ]
}

  在本文中，笔者介绍了一种新的图数据库Cayley，并介绍了它的安装方式，以及如何导入三元组数据，进行查询。希望能够给读者一些参考~
  虽然是Google开源的图数据库，但在网上关于Cayley图数据库的介绍并不多，而且都未能深入地讲解，大多是照搬官方文档的讲解，希望笔者的讲解能够带来一些进步，这也是笔者写此文的目的。希望此文能多少帮到读者~

注意：不妨了解下笔者的微信公众号： Python爬虫与算法（微信号为：easy_web_scrape）， 欢迎大家关注~