图数据库简介
图数据库（Graph Database）是以图结构存储和查询数据的非关系型数据库，核心通过节点（Node）、边（Edge）和属性（Property）表示数据关系。相比传统关系型数据库，图数据库擅长处理复杂关联关系，适用于社交网络、推荐系统、欺诈检测等场景。
常见图数据库类型
- Neo4j：最流行的原生图数据库，支持Cypher查询语言。
- ArangoDB：多模型数据库，支持图、文档和键值存储。
- Amazon Neptune：全托管的图数据库服务，兼容Gremlin和SPARQL。
图数据库查询语句示例
Cypher（Neo4j）
创建节点和关系：
CREATE (a:Person {name: 'Alice', age: 30})-[:FRIENDS_WITH]->(b:Person {name: 'Bob'})查询朋友关系：
MATCH (a:Person)-[:FRIENDS_WITH]->(b:Person) WHERE a.name = 'Alice' RETURN b.nameGremlin（Apache TinkerPop）
遍历查询：
g.V().has('Person', 'name', 'Alice').out('FRIENDS_WITH').values('name')SPARQL（RDF图）
查询RDF数据：
SELECT ?friend WHERE { ?alice rdf:type :Person . ?alice :name "Alice" . ?alice :FRIENDS_WITH ?friend . }一、Neo4j（Cypher）—— 最主流的图数据库查询语言
1. 节点操作
（1）创建节点（含属性、标签）
cypher
// 创建单个节点（标签：Person，属性：姓名、年龄、城市） CREATE (p:Person {name: "张三", age: 30, city: "北京"}) RETURN p; // 批量创建节点 CREATE (p1:Person {name: "李四", age: 28, city: "上海"}), (p2:Company {name: "字节跳动", industry: "互联网", scale: "万人以上"});（2）查询节点
cypher
// 按标签+属性筛选节点 MATCH (p:Person {city: "北京"}) WHERE p.age > 25 RETURN p.name, p.age; // 模糊查询（正则） MATCH (p:Person) WHERE p.name =~ "张.*" RETURN p;（3）更新节点
cypher
// 修改属性 MATCH (p:Person {name: "张三"}) SET p.age = 31, p.job = "工程师" RETURN p; // 新增标签 MATCH (p:Person {name: "张三"}) SET p:Engineer RETURN p;（4）删除节点
cypher
// 删除单个节点（需先删除关联边，否则报错） MATCH (p:Person {name: "李四"}) DETACH DELETE p;2. 关系（边）操作
（1）创建关系（含属性）
cypher
// 给已有节点创建关系（张三→字节跳动，关系：WORKS_AT，属性：入职时间、职位） MATCH (p:Person {name: "张三"}), (c:Company {name: "字节跳动"}) CREATE (p)-[r:WORKS_AT {join_time: 2020, position: "后端开发"}]->(c) RETURN r; // 创建节点同时创建关系 CREATE (p:Person {name: "王五"})-[r:FRIEND_WITH {since: 2018}]->(q:Person {name: "赵六"}) RETURN p, r, q;（2）查询关系
cypher
// 查询张三的工作关系 MATCH (p:Person {name: "张三"})-[r:WORKS_AT]->(c:Company) RETURN p.name, r.position, c.name; // 查询多跳关系（张三的朋友的朋友） MATCH (p:Person {name: "张三"})-[:FRIEND_WITH*2]->(f:Person) RETURN f.name;（3）更新关系
cypher
MATCH (p:Person {name: "张三"})-[r:WORKS_AT]->(c:Company {name: "字节跳动"}) SET r.salary = 30000 RETURN r;（4）删除关系
cypher
MATCH (p:Person {name: "张三"})-[r:WORKS_AT]->(c:Company) DELETE r;3. 路径 / 聚合查询
cypher
// 最短路径（张三到字节跳动的最短路径） MATCH shortestPath((p:Person {name: "张三"})-[*]->(c:Company {name: "字节跳动"})) RETURN path; // 聚合统计（各城市的人数） MATCH (p:Person) RETURN p.city, COUNT(p) AS person_count ORDER BY person_count DESC;二、NebulaGraph（nGQL）—— 分布式图数据库
1. 基础操作（需先创建空间、标签、边类型）
ngql
// 创建空间 CREATE SPACE IF NOT EXISTS my_space (vid_type=FIXED_STRING(30)); USE my_space; // 创建标签（节点类型） CREATE TAG IF NOT EXISTS Person (name string, age int, city string); // 创建边类型 CREATE EDGE IF NOT EXISTS WORKS_AT (join_time int, position string); // 插入节点（VID为自定义唯一标识） INSERT VERTEX Person(name, age, city) VALUES "p1":("张三", 30, "北京"), "p2":("李四", 28, "上海"); // 插入边（起点VID -> 终点VID） INSERT EDGE WORKS_AT(join_time, position) VALUES "p1"->"c1":(2020, "后端开发"); // 查询节点 MATCH (p:Person) WHERE p.age > 25 RETURN p.name, p.city; // 查询边 MATCH (p:Person)-[r:WORKS_AT]->(c:Company) RETURN p.name, r.position;三、ArangoDB（AQL）—— 多模型数据库（支持图 + 文档）
aql
// 创建节点集合 CREATE COLLECTION Persons; // 创建边集合 CREATE COLLECTION WorksAt (type: EDGE); // 插入节点 INSERT {name: "张三", age: 30, city: "北京"} INTO Persons; INSERT {name: "字节跳动", industry: "互联网"} INTO Companies; // 插入边（_from/_to为节点的完整路径：集合名/文档ID） INSERT {_from: "Persons/123", _to: "Companies/456", join_time: 2020, position: "后端开发"} INTO WorksAt; // 查询（张三的工作关系） FOR p IN Persons FILTER p.name == "张三" FOR r IN WorksAt FILTER r._from == p._id FOR c IN Companies FILTER c._id == r._to RETURN {person: p.name, company: c.name, position: r.position};应用场景
- 实时推荐：基于用户行为图谱生成个性化推荐。
- 路径分析：查找社交网络中最短路径或影响力传播路径。
- 知识图谱：构建和查询复杂的实体关系网络。
图数据库通过高效的图遍历算法（如DFS、BFS）优化关联查询，适合需要频繁处理关系的场景。
