Skip to content

Latest commit

 

History

History
150 lines (101 loc) · 5.32 KB

3.quick-start.md

File metadata and controls

150 lines (101 loc) · 5.32 KB
Raw

TuGraph 快速上手

此文档主要用于新用户快速上手，其中包含了 TuGraph 的简介、特征、安装和使用。

1. 简介

TuGraph 是蚂蚁集团自主研发的大规模图计算系统，提供图数据库引擎和图分析引擎。其主要特点是大数据量存储和计算，高吞吐率，以及灵活的 API，同时支持高效的在线事务处理（OLTP）和在线分析处理（OLAP）。 LightGraph、GeaGraph 是 TuGraph 的曾用名。

主要功能特征包括：

  • 标签属性图模型
  • 支持多图
  • 完善的 ACID 事务处理
  • 内置 25+ 图分析算法
  • 基于 web 客户端的图可视化工具
  • 支持 RESTful API 和 RPC
  • OpenCypher 图查询语言
  • 基于 C++/Python/Java 的存储过程
  • 适用于高效图算法开发的 Traversal API

性能及可扩展性特征包括：

  • TB 级大容量
  • 千万顶点/秒的高吞吐率
  • 高可用性支持（企业版）
  • 高性能批量导入
  • 在线/离线备份

2. 安装

TuGraph 可以通过 Docker Image 快速安装，或者通过 rpm/deb 包本地安装。

rpm/deb/docker镜像 官网下载地址: https://www.tugraph.org/download

通过docker快速体验

  1. 本地安装 docker 环境

    参考 docker 官方文档：https://docs.docker.com/get-started/

  2. 拉取镜像

    docker pull tugraph/tugraph-runtime-centos7

  3. 启动docker

    docker run -d -p 7070:7070 -p 9090:9090 --name tugraph_demo tugraph/tugraph-runtime-centos7 lgraph_server
# 7070是默认的http端口，web访问使用。
# 9090是默认的rpc端口，rpc client访问使用。

  4. web 访问

    http://x.x.x.x:7070

    默认用户名为 admin，密码为 73@TuGraph

  5. 手动启动方式

    docker run -dt -p 7070:7070 --name tugraph_demo tugraph/tugraph-runtime-centos7
docker exec -it tugraph_demo bash
# 进入docker环境后执行如下命令启动服务
lgraph_server -d start

web 操作

建模和数据导入

完成登录后，点击“帮助”，点击“快速上手”，点击“一键创建模型”，点击“一键创建数据”，完成数据的 Movie 场景图创建。

Movie 场景图：

movie_schema

标签 类型 说明
movie 实体 表示某一部具体的影片，比如"阿甘正传"。
person 实体 表示个人，对影片来说可能是演员、导演，或编剧。
genre 实体 表示影片的类型，比如剧情片、恐怖片。
keyword 实体 表示与影片相关的一些关键字，比如"拯救世界"、"虚拟现实"、"地铁"。
user 实体 表示观影的用户。
produce 关系 表示影片的出品人关系。
acted_in 关系 表示演员出演了哪些影片。
direct 关系 表示影片的导演是谁。
write 关系 表示影片的编剧关系。
has_genre 关系 表示影片的类型分类。
has_keyword 关系 表示影片的一些关键字，即更细分类的标签。
rate 关系 表示用户对影片的打分。

查询示例

示例一

查询影片 'Forrest Gump' 的所有演员，返回影片和演员构成的子图。

MATCH (m:movie {title: 'Forrest Gump'})<-[:acted_in]-(a:person) RETURN a, m

示例二

查询影片 'Forrest Gump' 的所有演员，列出演员在影片中扮演的角色。

MATCH (m:movie {title: 'Forrest Gump'})<-[r:acted_in]-(a:person) RETURN a.name,r.role

示例三

查询 Michael 所有评分低于 3 分的影片。

MATCH (u:user {login: 'Michael'})-[r:rate]->(m:movie) WHERE r.stars < 3 RETURN m.title, r.stars

示例四

查询和 Michael 有相同讨厌的影片的用户，讨厌标准为评分小于三分。

MATCH (u:user {login: 'Michael'})-[r:rate]->(m:movie)<-[s:rate]-(v) WHERE r.stars < 3 AND s.stars < 3 RETURN u, m, v

示例五

给 Michael 推荐影片，方法为先找出和 Michael 讨厌同样影片的用户，再筛选出这部分用户喜欢的影片。

MATCH (u:user {login: 'Michael'})-[r:rate]->(m:movie)<-[s:rate]-(v)-[r2:rate]->(m2:movie) WHERE r.stars < 3 AND s.stars < 3 AND r2.stars > 3 RETURN u, m, v, m2

示例六

查询 Michael 的好友们喜欢的影片。

MATCH (u:user {login: 'Michael'})-[:is_friend]->(v:user)-[r:rate]->(m:movie) WHERE r.stars > 3 RETURN u, v, m

示例七

通过查询给'Forrest Gump'打高分的人也喜欢哪些影片，给喜欢'Forrest Gump'的用户推荐类似的影片。

MATCH (m:movie {title:'Forrest Gump'})<-[r:rate]-(u:user)-[r2:rate]->(m2:movie) WHERE r.stars>3 AND r2.stars>3 RETURN m, u,m2