让图数据库从“能查”走向“能用、能扩、能管”
理解驱动、会话、事务、结果集，知道程序如何把 Cypher 和参数稳定送进数据库。
认识“工具箱”型扩展，理解过程、函数、导入导出、批处理和安全开关的作用。
从中心性、社区发现、相似度、路径等角度，理解图算法能回答什么问题。
从备份、恢复、性能、安全四个角度，建立生产环境中“能找回、跑得动、管得住”的意识。
表示实体，例如学生、课程、企业、岗位。节点是图里的“名词”，回答“谁或什么存在”。
表示实体之间的连接，例如学习、需要、合作。关系是图里的“动词”，回答“它们怎样相连”。
补充说明实体或关系，例如姓名、学分、时间、权重。属性让节点和关系更具体。
图数据库最擅长的，不是存一张孤立表，而是沿着关系继续追问：谁影响谁，谁连接谁，路径在哪里。
从 Python 程序到图数据库的一次正式通话
本课聚焦 Python 操作。教材中的 Java 操作可以理解为同一套驱动思想在另一种语言中的写法。
真实系统不会让人工每天打开浏览器手动输入 Cypher。用户点击页面、定时任务、数据同步程序，都需要代码自动访问 Neo4j。
Neo4j 往往只是系统的一部分。Python 可以把 Web 服务、推荐逻辑、数据清洗结果和图数据库连接起来。
程序可以统一处理权限、参数、错误、重试和日志，比随意手工执行语句更容易追踪和管理。
Python 代码
对象、函数、参数
连接管理、协议转换、结果封装
Neo4j 服务
Bolt 协议、Cypher 执行
驱动的价值不是让语法更酷，而是让程序能稳定、规范地和数据库对话。
无论 Java 还是 Python，操作 Neo4j 通常都离不开 Driver、Session、Transaction、Result。换语言只是外衣变了，底层思路基本一致。
知道数据库在哪里，用什么账号登录。
选择数据库，准备发送查询请求。
把一组读写动作放在可靠边界内。
说明 Neo4j 服务的位置和连接协议，例如 neo4j:// 或 bolt://。
通常包含用户名和密码。真实项目中不应直接写死在代码里。
7687 常用于 Bolt 通信，浏览器页面常见端口是 7474，二者用途不同。
有些同学会以为执行一次查询就创建一次 Driver。这会造成连接频繁建立和释放，效率低，也更容易占用资源。
Driver 更像应用程序的数据库总入口。应用启动时创建，多个请求复用，应用关闭时统一释放。
长期复用 Driver，短时间使用 Session。
Session 不是永久通道，它更像一次短时间的工作窗口。程序打开 Session，执行查询，再关闭 Session。
假设要同时创建学生节点和学生选课关系。如果节点成功但关系失败，数据就会不完整。
提交表示全部成功，回滚表示中途失败后撤回，边界表示哪些操作属于同一批。
一句话：事务让数据库知道“这些动作要一起算数”。
| 方式 | 适合理解 | 课堂记忆点 |
|---|---|---|
| session.run() | 直接在会话中执行一句 Cypher。 | 简单直观，但复杂读写最好用事务函数包起来。 |
| execute_read / execute_write | 把读操作和写操作分开表达。 | 让代码意图更清楚，也便于驱动处理重试。 |
| driver.execute_query() | 较新的高层接口，适合快速执行参数化查询。 | 减少样板代码，但仍要理解底层对象。 |
像一条结果数据流，包含多条记录。通常边取边处理，不一定一次性全部塞进内存。
像表格中的一行。可以按字段名读取，例如 record['name']。
由 Cypher 的 RETURN 决定。给字段起清楚的别名，代码会更容易读。
如果把用户输入直接拼接进 Cypher，容易出现注入风险，也会让查询计划难以复用。参数化写法把查询模板和具体值分开，安全性和可维护性更好。
直接创建新节点或关系。它不关心是否已经存在，适合确定要新增的场景。
先尝试匹配，找不到再创建。常用于避免重复节点，例如同一个学生不应创建多份。
给节点或关系设置属性。常用于补充字段、修改状态、记录更新时间。
数据库没有启动、地址写错、网络不通、端口被防火墙拦截，都可能导致连接失败。
用户名或密码错误，或者账号没有访问某个数据库的权限。
Cypher 拼写错误、标签不存在、字段名写错、参数没传，都可能导致查询失败。
不要只把错误吞掉。生产系统需要日志、友好提示和定位线索。
给 Cypher 增加一套常用工具箱
APOC 不是替代 Cypher，而是在 Cypher 不够方便时提供过程和函数支持。
Cypher 擅长图模式匹配、创建关系、聚合统计。但在数据导入、文本处理、集合操作、批量任务、元数据查看等方面，纯 Cypher 写起来可能很绕。
把常见复杂操作封装成现成过程，减少重复造轮子。
提供导入导出、路径扩展、集合处理、动态执行等增强能力。
能力越强，权限越要管好。某些过程必须在配置中明确允许。
| 类型 | 调用感觉 | 理解方式 |
|---|---|---|
| Procedure 过程 | CALL apoc.xxx(...) | 像启动一个任务，可能返回多行结果，也可能执行导入、批处理等动作。 |
| Function 函数 | RETURN apoc.xxx(...) | 像计算一个值，常用于字符串、集合、日期、映射等转换。 |
记忆：CALL 多像“办事”，RETURN 多像“算值”。
某些 APOC 过程可以访问文件、加载外部资源、执行动态语句。如果权限不控制好，就可能造成数据泄露或误操作。
生产环境通常只开放业务确实需要的过程，而不是为了方便全打开。
接手一个陌生图数据库时，最先想知道有哪些标签、关系类型和属性。元数据过程能帮助我们快速建立全局印象。
一次性处理几百万个节点或关系，可能导致事务太大、内存压力过高、锁竞争明显。
把大任务拆成一批一批执行。每批处理一部分数据，完成后再继续下一批。
适合层级结构明显的数据，例如接口返回、配置文件、日志片段。
适合表格型数据，例如学生表、课程表、企业岗位表。
适合图结构在不同工具之间交换，但要注意字段映射和数据规模。
导入导出需要考虑文件访问权限、编码、字段类型、重复数据、唯一约束，以及失败后的回滚或重跑策略。
处理列表：去重、排序、分组、交集、差集。适合处理查询返回的多值结果。
处理字符串：切分、替换、格式化。适合清洗名称、标签、编号等文本字段。
处理日期时间：格式转换、时间戳转换。适合把外部系统的时间字段统一起来。
处理键值结构：合并、取值、删除字段。适合处理动态属性或配置型数据。
图数据库的优势不只在于查节点，更在于沿着关系继续探索。例如从岗位出发，找相关技能、相关课程、相似岗位。
APOC 提供更灵活的路径探索能力，可以控制关系类型、方向、层数、停止条件等。
有些分析只想临时展示关系，不想真正写入数据库。虚拟节点和虚拟关系可用于展示和分析场景。
从关系网里发现重要、相似、群体和路径
教材中的 ALGO / ALOG 可统一理解为图算法扩展思想；现代 Neo4j 中常见对应能力是 Graph Data Science。
例如课程知识图谱中，哪些概念连接最多、最关键。
例如两个学生学习路径相似，两个岗位要求技能相近。
例如用户社群、课程模块、企业合作圈，常通过社区发现算法识别。
例如最短路径、关键路径、影响传播路径，帮助理解关系网络的可达性。
可能包含学生、课程、教师、企业、岗位、技能等很多标签，也可能有几十种关系。
只选择本次问题需要的节点和关系。例如课程相似度可能只需要课程节点和共享技能关系。
复杂全图 → 过滤投影 → 算法分析 → 业务解释
看一个节点直接连接了多少其他节点。连接越多，可能越活跃。
不只看连接数量，还看连接你的节点本身是否重要。常用于影响力排序。
看一个节点是否经常位于其他节点之间的路径上，常用于发现桥梁节点。
在“岗位-技能-课程”图中，一个技能如果连接了很多岗位，又连接了很多课程，它可能是课程体系设计中的关键技能点。
如果一批节点内部连接很紧密，而和外部连接较少，算法可能把它们识别为同一社区。
哪些课程经常和同一组技能关联？哪些岗位要求形成了相似方向？
Louvain、Label Propagation 等都属于社区发现相关算法。本节重点理解用途，不推导公式。
如果两个岗位都连接了 Python、SQL、数据建模等技能，它们可能比较相似。
共同部分越大，总差异越小，相似度越高。适合用集合角度理解。
相似不等于相同。算法给的是线索，最终仍要结合课程目标、企业需求和教学安排判断。
从一个节点到另一个节点，经过的关系最少或代价最低。常用于查找关联链路。
关系可以有权重，例如距离、成本、难度、相似度。路径算法就不只是数边数。
从学生当前技能到目标岗位要求，图路径可以帮助解释中间还需要补哪些课程或技能。
让 Neo4j 在真实环境中安全、稳定、可恢复
会写查询只是起点。企业更关心：数据能不能找回、系统会不会变慢、权限会不会失控。
数据库服务是否能持续提供访问？遇到宕机、磁盘满、网络异常时有没有应对方案？
误删数据、机器损坏、升级失败时，是否能通过备份恢复到可接受状态？
谁能登录、谁能修改、哪些查询很慢、哪些插件能用，都需要被管理和记录。
备份是把某个时间点的数据保存下来。它不能阻止事故发生，但能在事故后提供恢复依据。
恢复是把备份数据重新还原到数据库中。恢复流程要提前演练。
备份多频繁？备份放哪里？是否验证过？没有验证的备份，只能算“希望”。
只生成执行计划，不真正运行查询。适合在执行前观察数据库准备怎么做。
真正运行查询，并显示每一步实际处理了多少数据。适合定位慢查询的具体环节。
是否全节点扫描？是否使用索引？中间结果是否突然膨胀？某一步数据库命中量是否特别高？
支撑查询执行、事务处理、对象分配。配置太小可能频繁回收，太大也会挤压系统资源。
帮助数据库把常访问的数据放在内存中，减少磁盘读取，是 Neo4j 性能的重要因素。
数据文件、事务日志、备份文件都占空间。磁盘满可能直接影响写入和服务稳定。
确认你是谁。通常涉及用户名、密码、证书或统一身份系统。
确认你能做什么。例如能读哪些数据库、能不能写入、能不能管理用户。
只给完成工作所需的权限。开发账号、运维账号、业务应用账号不应混用。
密码、连接串、密钥不应写进公开代码。项目中应使用配置文件或密钥管理。
关注 CPU、内存、磁盘、连接数、查询耗时、事务失败数等指标。
启动失败、认证失败、查询异常、插件加载问题，通常都能在日志中找到线索。
慢查询日志或查询监控能帮助发现消耗资源较高的 Cypher，避免系统被少数查询拖慢。
Python Driver 负责连接；Session 负责工作窗口；Transaction 负责一致性；Result / Record 负责结果读取。
补充 Cypher 常用能力，适合元数据、批处理、导入导出、集合文本处理，但要控制权限。
通过中心性、社区发现、相似度、路径等算法，从关系网络中发现结构性信息。
备份恢复保证可恢复，性能优化保证可用，安全管理保证可控，监控日志保证可追踪。
下节课再把今天的连接、查询、扩展调用和基础维护思路放到环境中逐步验证。
愿大家把图数据库从“看起来复杂”学成“关系清楚”