TuGraph 快速上手

更新时间：2023-02-14 15:01:58

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

本地安装 docker 环境

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

拉取镜像

docker pull tugraph/tugraph-runtime-centos7

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。

web 访问

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

默认用户名为 admin，密码为 73@TuGraph

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：

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