neo4j:使用batch-import工具导入海量数据

原创地址：https://my.oschina.net/u/2538940/blog/883829

虽然未曾经尝试过，，先收藏

1、batch-import原始项目地址：https://github.com/jexp/batch-import

    这个工具是neo4j的作者之一Michael Hunger所编写，是在neo4j自带批量导入工具基础之上做的进一步优化，但是它在导入.gz压缩文件时，会出现关系无法导入的情况，所以如果要使用.gz压缩包进行导入，请使用我修改过的版本：https://github.com/mo9527/batch-import

2、环境准备

    jdk：7以上

    内存：8G以上，导入数据多的话会非常消耗内存，我自己导入的是将近1.5亿节点，3亿关系，用的是32G内存

3、导入步骤

    a)从github上clone下代码，并使用maven进行打包，打完包后的jar文件，与项目本身的依赖jar一起放到lib文件夹下，batch.properties文件和执行导入的脚本放在lib同级目录下，最后的目录结构如下图：

    ps：file文件夹是我自己将要导入的csv文件和.gz压缩包。

    b)组装csv文件

        说起这一步，可能需要你们根据自己的实际业务需求，手动写代码导csv文件了，这里我只讲一下csv文件格式一些要点：

        1、节点csv文件

            节点csv文件的第一列是固定的，列值为此节点的label名称，第二列是index，它的列头是id:string:indexName 这种格式，解释一下，id是这一列的property名字，可以根据需要自己命名，string为字段的数据类型，indexName是neo4j数据库中将要导入的索引名称，我自己的文件格式如下：

    然后，后面的列就是节点的property了，没什么特别的要求

        2、关系csv文件

            先看下我的关系csv文件：

关系的csv文件前两列要特别注意，第一列是关系的起始节点，第二列是关系的结束节点，第三列是关系类型，后面的列是关系的property，可以随意了。他github上的说明没有说出一些注意点，这里要特别标明：

    第一列的起始节点的列头，也就是id:string:buyerId这个东西，这个玩意一定要和节点csv文件(上图)中定义的一模一样，第二列也是如此，要和结束节点的csv文件里的一样，不然他会找不到对应的关系。

    3、修改batch.properties文件

        主要修改两个地方，1、如果是在现有的neo4j数据库中进行导入，请设置：

        batch_import.keep_db=true

            2、将节点csv文件中所有的索引名称加入到文件中，例如上面这个节点csv文件中的索引名称是buyerId，那就在文件中加入batch_import.node_index.buyerId=exact

        以下是我本人的配置文件：

    3、导入

        linux和win环境的导入都差不多，只不过执行的脚本不一样，这里以win环境为例。

        文件都准备好了，现在开始导入了。

        打开cmd，cd到导入脚本的目录，也就是import.bat所在目录，执行命令：

        import.bat test.db node.csv rel.csv

        解释一下命令的几个参数：第一个参数是数据库的目录，可以绝对路径指定到任意位置，第二个参数是节点csv文件，多个csv文件用逗号分隔，如果是压缩包，一定要注意，这里有个坑，不能把所有类型的node都放到一个压缩包中，一定要每个类型的node分开压缩，不然它只会导入第一个类型的node节点，同理，关系的压缩包也要分开压缩，然后导入时用逗号分隔.gz文件。

    好了，如果你的csv文件没有问题，内存足够用的话，现在就开始等待吧。

    如果想修改导入工具的Heap大小，可以修改脚本文件中的 set HEAP=4G

如果不能正常编译jar包，可使用我已经编译好的工具：

https://github.com/mo9527/batch-import-tool    

温馨提示：如果节点文件中有中文的话，win环境csv文件很有可能出现乱码，然后就导致换行出现问题，导入程序就会出现假死的状态，表现为程序一直在吃内存，可是一直导不进去数据，这时候可以用本人改动过的版本去导入，具体改动可见我github上的记录