使用 Py2neo 将大型 xml 文件导入 Neo4j

Question

我在导入具有 36196662 行的非常大的 XML 文件时遇到问题。我正在尝试使用 Py2neo 创建此 XML 文件的 Neo4j 图形数据库 我的 xml 文件如下所示：

http://imgur.com/pLylHeG

我将 xml 数据导入 Neo4j 的 python 代码是这样的：

from xml.dom import minidom
from py2neo import Graph, Node, Relationship, authenticate
from py2neo.packages.httpstream import http
http.socket_timeout = 9999
import codecs

authenticate("localhost:7474", "neo4j", "******")

graph = Graph("http://localhost:7474/db/data/")

xml_file = codecs.open("User_profilesL2T1.xml","r", encoding="latin-1")

xml_doc = minidom.parseString (codecs.encode (xml_file.read(), "utf-8"))

#xml_doc = minidom.parse(xml_file)
persons = xml_doc.getElementsByTagName('user')
label1 = "USER"

# Adding Nodes
for person in persons:


    if person.getElementsByTagName("id")[0].firstChild:
       Id_User=person.getElementsByTagName("id")[0].firstChild.data
    else: 
       Name="NO ID"
    print ("******************************USER***************************************")
    print(Id_User)



    print ("*************************")
    if person.getElementsByTagName("name")[0].firstChild:
       Name=person.getElementsByTagName("name")[0].firstChild.data
    else: 
       Name="NO NAME"   
   # print("Name :",Name)


    print ("*************************")
    if person.getElementsByTagName("screen_name")[0].firstChild:
       Screen_name=person.getElementsByTagName("screen_name")[0].firstChild.data
    else: 
       Screen_name="NO SCREEN_NAME" 
  #   print("Screen Name :",Screen_name)

    print ("*************************") 
    if person.getElementsByTagName("location")[0].firstChild:
       Location=person.getElementsByTagName("location")[0].firstChild.data
    else: 
       Location="NO Location"   
 #    print("Location :",Location)


    print ("*************************")
    if person.getElementsByTagName("description")[0].firstChild:
       Description=person.getElementsByTagName("description")[0].firstChild.data
    else: 
       Description="NO description" 
  #   print("Description :",Description)


    print ("*************************") 
    if person.getElementsByTagName("profile_image_url")[0].firstChild:
       Profile_image_url=person.getElementsByTagName("profile_image_url")[0].firstChild.data
    else: 
       Profile_image_url="NO profile_image_url" 
   # print("Profile_image_url :",Profile_image_url)

    print ("*************************")
    if person.getElementsByTagName("friends_count")[0].firstChild:
       Friends_count=person.getElementsByTagName("friends_count")[0].firstChild.data
    else: 
       Friends_count="NO friends_count" 
 #    print("Friends_count :",Friends_count)


    print ("*************************")
    if person.getElementsByTagName("url")[0].firstChild:
       URL=person.getElementsByTagName("url")[0].firstChild.data
    else: 
       URL="NO URL" 
  #   print("URL :",URL)






    node1 = Node(label1,ID_USER=Id_User,NAME=Name,SCREEN_NAME=Screen_name,LOCATION=Location,DESCRIPTION=Description,Profile_Image_Url=Profile_image_url,Friends_Count=Friends_count,URL=URL)
    graph.merge(node1)  

我的问题是当我运行代码时，导入这个文件需要很长时间才能做到这一点，所以如果有人能帮助我更快地导入数据，我将非常感激。

注意：我的笔记本电脑配置是：4Gb RAM、500Gb 硬盘、i5

Answer 1

如果您要将数据导入新数据库，您可能需要尝试导入工具：https://neo4j.com/docs/operations-manual/current/#import-tool

在这种情况下，您应该像以前一样解析 XML 文件，但不要使用 py2neo 将数据插入 Neo4j，只需编写一个 CSV 文件，然后调用导入工具。

请参阅下面的一种可能的方法：

import csv
from xml.dom import minidom

def getAttribute(node,attribute,default=None):
    attr = node.getElementsByTagName(attribute)[0]
    return attr.firstChild.data if attr.firstChild else default

xml_doc = minidom.parse(open("users.xml"))
persons = xml_doc.getElementsByTagName('user')

users = []
attrs = ['name','screen_name','location','description','profile_image_url','friends_count','url']

mapping = {'user_id': 'user_id:ID(User)',
           'name': 'name:string',
           'screen_name': 'screen_name:string',
           'location': 'location:string',
           'description': 'description:string',
           'profile_image_url': 'profile_image_url:string',
           'friends_count': 'friends_count:int',
           'url': 'url:string'}

with open('users.csv','w') as csvfile:
    writer = csv.DictWriter(csvfile, fieldnames=mapping.values())
    writer.writeheader()
    for person in persons:
        user = {mapping[attr]: getAttribute(person, attr) for attr in attrs}
        user[mapping['user_id']] = getAttribute(person, 'id')

        writer.writerow(user)

将 xml 转换为 csv 文件后，运行导入工具：

$ neo4j-import --into neo4j-community-3.0.3/data/databases/users.db --nodes:User users.csv

我猜您还想在节点之间创建关系 (?)。您应该阅读导入工具文档并使用 csv 文件调用导入工具以获取节点和关系

Answer 2

我认为你应该使用流式解析器，否则你甚至可能在 python 端溢出内存。

我还建议在 Neo4j 中进行交易，每笔交易批量更新 10k 到 100k。

不要存储 "NO xxxx" 字段，不要存储它们，这只是浪费空间和精力。

我不知道合并（节点）是如何工作的。我建议在 :User(userId) 上创建一个唯一约束并使用这样的密码查询：

UNWIND {data} as row
MERGE (u:User {userId: row.userId}) ON CREATE SET u += {row}

其中{data} 参数是具有属性的字典列表（例如 10k 个条目）。