一文教你用 Neo4j 快速构建明星关系图谱

更多有趣项目及代码见于：DesertsX/gulius-projects

前言

本文将带你用 neo4j 快速实现一个明星关系图谱，因为拖延的缘故，正好赶上又一年的4月1日，于是将文中的几个例子顺势改成了“哥哥”张国荣。正所谓“巧妇难为无米之炊”，本次爬取娱乐圈_专业的娱乐综合门户网站下属“明星”页的“更多明星”里所有9141条数据。

筛选出个人主页中含“明星关系”的数据，进一步爬取并解析出后续关系图谱所需的数据。以“张国荣-个人主页”为例，其直接相关的明星并不多，可见数据质量不一定多高，仅供练手，故不在此处过多纠缠。

数据到手后，存成 csv，丢到 neo4j 里，就能查询出“张国荣”的关系。

如果想进一步查看“张国荣”扩散出去的关系，也很方便。

因缘际会

有没有觉得很酷炫，很想赶紧学起来。不急，neo4j 部分很简单的，所以先照旧讲讲那些“因缘际会”的事。

细数过往，已经用 Gephi 搞过好几次关系图谱，相对于微博转发图谱和知乎大V关注图谱的中规中矩（见于：Gephi绘制微博转发图谱：以“@老婆孩子在天堂”为例、374名10万+知乎大V（一）：相互关注情况），拿自己的日记进行分析就显得别出心裁、令人眼前一亮，算得上自己蛮中意的作品，虽然技术细节非常粗糙（见于：2017，那些出现在日记中的人：简单的文本挖掘）。不过回头看来，这几个的数据格式完全可以无缝应用到 neo4j 里，感兴趣的朋友可以去微博转发图谱一文里领取数据并实现一波。

而说是“新近”其实也是半年前安利的红楼梦人物关系及事件的可视化图谱，才是正儿八经用到 neo4j 的，当初自己也曾兴致高昂地分析了下支撑该项目的json数据，手动写了稍显复杂的函数来提取“私通”相关的人物关系链，现在看来 neo4j 一行代码就能解决。（见于：安利一个惊艳的红楼梦可视化作品、左手读红楼梦，右手写BUG，闲快活）

def word2id(word):
    df = edges_df[edges_df.label== word]
    from_id = df['from'].values.tolist()
    to_id = df['to'].values.tolist()
    return from_id, to_id
def id2label(ids):

tables = []

for ID in ids:

tables.append(person_df[person_df['id']==ID])

labels = pd.concat(tables)['label'].values.tolist()

return labels
def get_relation(from_id,to_id):

for from_label, to_label in zip(id2label(from_id), id2label(to_id)):

print(from_label, '--> {} -->'.format(word), to_label)
word = "私通"

from_id,to_id = word2id(word)

get_relation(from_id,to_id)

############################

# 以下为输出结果

贾蔷 --> 私通 --> 龄官

贾珍 --> 私通 --> 秦可卿

贾琏 --> 私通 --> 多姑娘

薛蟠 --> 私通 --> 宝蟾

王熙凤 --> 私通 --> 贾蓉

秦可卿 --> 私通 --> 贾蔷

司棋 --> 私通 --> 潘又安

宝蟾 --> 私通 --> 薛蟠

尤三姐 --> 私通 --> 贾珍

鲍二家的 --> 私通 --> 贾琏

智能儿 --> 私通 --> 秦钟

万儿 --> 私通 --> 茗烟

Neo4j 安装

Neo4j 属于图形数据库，与更广为人知的 MySQL 等关系型数据库不同，其保存的数据格式为节点和节点之间的关系，构建和查询关系数据非常高效便捷。

安装过程可参考：Neo4j 第一篇：在Windows环境中安装Neo4j和Windows下安装neo4j，原本想跳过这部分，但因为也遇到几个小问题，所以简单讲下。

• 安装 Java JDK。因为之前安装 Gephi 时就弄过了，所以本次跳过。

• 从Neo4j官网下载最新社区（Community）版本 ，解压到目录，E: eo4j-file eo4j-community-3.5.3。
  

  

• 启动Neo4j程序：组合键Windows+R，输入cmd，打开命令行窗口，切换到主目录cd E: eo4j-file eo4j-community-3.5.3，以管理员身份运行命令：neo4j.bat console后，会报错。
  

  

• 百度解决方案，在“我的电脑”-“属性”-“高级系统设置”-“环境变量”,将主路径放入系统变量中NEO4J_HOME=E: eo4j-file eo4j-community-3.5.3，同时将%NEO4J_HOME%in添加到path中，注意英文分号分隔。

• 接着还有错误：Import-Module : 未能加载指定的模块“Neo4j-Management.psd1”，于是更改E: eo4j-file eo4j-community-3.5.3in eo4j.ps1文件里的Import-Module "$PSScriptRootNeo4j-Management.psd1"为绝对路径Import-Module "E: eo4j-file eo4j-community-3.5.3inNeo4j-Management.psd1"

• 保存文件后，重新启用，红色提示消失，运行Neo4j install-service命令，将Neo4j服务安装在系统上。然后运行Neo4j start命令，启动Neo4j。
  

  

• 浏览器中输入 http://localhost:7474 ，便可进入 neo4j 界面，初始登录名和密码均为neo4j，按照提醒修改密码后，便完成了准备工作。
  

  

Neo4j 初体验

安装完成后，在以后的岁月里，只需在命令行窗口进入E: eo4j-file eo4j-community-3.5.3in文件夹，运行neo4j start便可启动
neo4j，然后打开网址http://localhost:7474，输入初始登录名和密码均neo4j或修改后的密码即可。

cd /d E:
cd E:
eo4j-file
eo4j-community-3.5.3in
neo4j start

接着便可以用 Cypher 查询语言（CQL，像Oracle数据库具有查询语言SQL，Neo4j具有CQL作为查询语言）创建节点和关系。可阅读w3cschool的教程 快速入门：Neo4j - CQL简介

下面是一些入门的语句，简单了解下，后面实现明星关系图谱就够用了。

# 创建具有带属性（name ，age）的 People 节点
create(p:People{name:"Alex", age:20});
create(p:People{name:"Tom", age:22});
# 匹配 People节点，并返回其 name 和 age 属性

match (p:People) return p.name, p.age
# 匹配所有 age 为20的 People 节点

match (p:People{age:20}) RETURN p
# 创建 Alex 和 Tom 之间单向的 Friend 关系

create(:People{name:"Alex", age:20})-[r:Friends]->(:People{name:"Tom", age:22})
# 

match p=()-[r:RELATION]->() return p LIMIT 25
# 匹配所有节点并查看其中25个

match (n) return n LIMIT 25;
# 简单粗暴删除所有节点及节点相关的关系

match (n) detach delete n

数据爬取

爬虫部分不进行过多讲解，一直翻页直到获取全部9141条明星姓名及个人主页链接即可。完整代码见于：DesertsX/gulius-projects

另外提取了明星图片链接等信息，本次没用到，可以忽略的，但如果能在关系图谱中加入人物图片，效果会更佳，只是还不知道如何实现。

import time
import random
import requests
from lxml import etree
import pandas as pd
from fake_useragent import UserAgent
ylq_all_star_ids = pd.DataFrame(columns = ['num', 'name', 'star_id', 'star_url', 'image'])

total_pages=153

for page in range(1, total_pages+1):

ua = UserAgent()

url = 'http://www.ylq.com/star/list-all-all-all-all-all-all-all-{}.html'

r = requests.get(url=url.format(page), headers=headers)

r.encoding = r.apparent_encoding

dom = etree.HTML(r.text)
<span class="hljs-comment"># 'http://www.ylq.com/neidi/xingyufei/'</span>
star_urls = dom.xpath(<span class="hljs-string">'//div[@class="fContent"]/ul/li/a/@href'</span>)
star_ids = [star_url.split(<span class="hljs-string">'/'</span>)[<span class="hljs-number">-2</span>] <span class="hljs-keyword">for</span> star_url <span class="hljs-keyword">in</span> star_urls]
star_names = dom.xpath(<span class="hljs-string">'//div[@class="fContent"]/ul/li/a/h2/text()'</span>)
star_images = dom.xpath(<span class="hljs-string">'//div[@class="fContent"]/ul/li/a/img/@src'</span>)

print(page, len(star_urls), len(star_ids), len(star_images), len(star_names))

<span class="hljs-keyword">for</span> i <span class="hljs-keyword">in</span> range(len(star_ids)):
    ylq_all_star_ids = ylq_all_star_ids.append({<span class="hljs-string">'num'</span>:int((page<span class="hljs-number">-1</span>)*<span class="hljs-number">60</span>+i+<span class="hljs-number">1</span>), <span class="hljs-string">'name'</span>: star_names[i],
                                                <span class="hljs-string">'star_id'</span>:star_ids[i], <span class="hljs-string">'star_url'</span>: star_urls[i],
                                                <span class="hljs-string">'image'</span>:star_images[i]},ignore_index=<span class="hljs-keyword">True</span>)
<span class="hljs-comment"># if page%5 == 0:</span>
<span class="hljs-comment">#    time.sleep(random.randint(0,2))</span>

print("爬虫结束！")

验收下数据，没问题。

由于并不是多有明星的个人主页都含有“明星关系”的数据，所有筛选出含关系数据的1263条链接。注意这部分比较耗时，可自行优化加速，后续有空再改进。

star_has_relations = []
for num, url in enumerate(star_urls):
    ua = UserAgent()
    headers ={"User-Agent": ua.random,
              'Host': 'www.ylq.com'}
    try:
        r = requests.get(url=url, headers =headers, timeout=5)
        r.encoding = r.apparent_encoding
    <span class="hljs-keyword">if</span> <span class="hljs-string">'starRelation'</span> <span class="hljs-keyword">in</span> r.text:
        star_has_relations.append(url)
        print(num, <span class="hljs-string">"Bingo!"</span>, end=<span class="hljs-string">' '</span>)
    <span class="hljs-keyword">if</span> num%<span class="hljs-number">100</span>==<span class="hljs-number">0</span>:
        print(num, end=<span class="hljs-string">' '</span>)
<span class="hljs-keyword">except</span>:
    print(num, star_has_relations)

#     if (num+index)%50==0:

#         time.sleep(random.randint(0,2))

接着有针对性的爬取这部分关系数据即可，当然爬虫部分可根据自己喜好，合并一些步骤，比如筛选含关系链接与爬取关系数据这个一步到位也可以。

datas = []
ylq_all_star_relations = pd.DataFrame(columns = ['num', 'subject', 'relation', 'object',
                                                 'subject_url', 'object_url', 'obeject_image'])
for num, subject_url in enumerate(star_has_relations):
    ua = UserAgent()
    headers ={"User-Agent": ua.random,
              'Host': 'www.ylq.com'}
    try:
        r = requests.get(url=subject_url, headers =headers, timeout=5)
        r.encoding = r.apparent_encoding
        dom = etree.HTML(r.text)
        subject = dom.xpath('//div/div/div/h1/text()')[0]
        relations = dom.xpath('//div[@class="hd starRelation"]/ul/li/a/span/em/text()')
        objects = dom.xpath('//div[@class="hd starRelation"]/ul/li/a/p/text()')
        object_urls = dom.xpath('//div[@class="hd starRelation"]/ul/li/a/@href')
        object_images = dom.xpath('//div[@class="hd starRelation"]/ul/li/a/img/@src')
        for i in range(len(relations)):
            relation_data = {'num': int(num+1), 'subject': subject, 'relation': relations[i],
                             'object': objects[i], 'subject_url':subject_url,
                             'object_url': object_urls[i], 'obeject_image':object_images[i]}
            datas.append(relation_data)
            ylq_all_star_relations = ylq_all_star_relations.append(relation_data,
                                                                   ignore_index=True)
        print(num, subject, end=' ')
    except:
        print(num, datas)
#     if num%20 == 0:
#         time.sleep(random.randint(0,2))
#         print(num, 'sleep a moment')

获取的明星关系数据格式如下，后面还考虑到情况，但貌似都可以删减掉，所以在此就不赘述了，完整代码见于：DesertsX/gulius-projects

构建明星关系图谱

如果你对爬虫不感兴趣，只是想知道如何导入现有的csv数据，然后用neo4j构建关系图谱，那么直接从这里开始实践即可，毕竟这次的数据也是无偿提供的。

手动去掉一些无用的列数据后，将ylq_star_nodes.csv和ylq_star_relations.csv 两个csv文件，放到E: eo4j-file eo4j-community-3.5.3import目录下，然后分别执行下面两个命令，就完成了关系图谱的创建！是的，一秒完成，当然数据量大的话，可能会等上一小会。

LOAD CSV  WITH HEADERS FROM 'file:///ylq_star_nodes.csv' AS data CREATE (:star{starname:data.name, starid:data.id});
LOAD CSV  WITH HEADERS FROM "file:///ylq_star_relations.csv" AS relations

MATCH (entity1:star{starname:relations.subject}) , (entity2:star{starname:relations.object})

CREATE (entity1)-[:rel{relation: relations.relation}]->(entity2)

之后就可以分别查询各种信息了。

# 查某人全部关系
return (:star{starname:"张国荣"})-->();

# 查某人朋友的朋友（5层关系）
match p=(n:star{starname:"张国荣"})-[*..5]->() return p limit 50;

# 查询特定关系
match p=()-[:rel{relation:"旧爱"}]->() return p LIMIT 25;

# 使用函数，查询张国荣与张卫健的最短路径
match p=shortestpath((:star{starname:"张国荣"})-[*..5]->(:star{starname:"张卫健"})) return p;

更多有趣的命令可自行学习和尝试，其他好玩的数据集也可按个人兴趣去耍耍。

      </div>