本文内容来源于官网2019版的课程，运用美国机场航班实在数据，来构建图并写一些有趣的查询。

ArangoDB

官方对ArangoDB的介绍中，它是一个原生多模型数据库

多模型：支撑3种主要的NoSQL数据模型，即key-value, documents, graph
原生：运用相同的底层中心和一套查询语言（即AQL）来支撑以上数据模型

ArangoDB的存储层级如下图所示

能够树立多个Databases，其间可包括恣意数量的collections，安装好之后，有一个默许的数据库 _system
Collections能够包括恣意数量的documents。ArangoDB中有两类型的collection: document collection和edge collection
Documents中存储的都是JSON目标，这些JSON目标中会含有一些系统自带的特点，如 _key, _id, _rev, _from, _to

图根底

在ArangoDB中，每个边都有单一清晰的方向，假如两个点之间是双向的联系，则需要两个方向的边来表明。不过在图遍历时，你能够运用 ANY来忽略边的方向（另外两种方向是 INBOUND和OUTBOUND)

ArangoDB答应你存储各种不同形状和体量的图，比方DAG有向无环图/有环/自环/多图（即两个极点之间有多个边）。

极点和边都是JSON document，所以说你能够存储恣意想存的信息。

数据集

案例中运用的数据集来自于美国超越3000个机场，30万个航班在2008年1月1日至1月15日期间的数据

其间airport节点的结构如下，可看到每个机场包括全称，机场缩写，所在城市，州，经纬度，是否有VIP休息室等特点。

flights的结构如下，其间包括航班号，尾号，承运人编号，起飞下降时刻地点等信息。

以下是几个样例数据，会别离存储在airports和flights各自的collection中。

假如要形成图，能够把airports当成极点， flights当成边。airport中的 _id特点能够作为 flights中 _from和_to的值，从而表明某航班是从哪个机场飞到哪

最终对ArangoDB中的两类collection做个总结：

Document collections	Edge collections
包括document，每个document都是JSON目标	包括含有特殊边特点的document，即 _from和_to
内置索引，每个document能够通过_key被快速检索到	每个edge collection都内置边索引
document可用作图中的极点，换句话说，假如不树立图，也能够作为普通document运用	相当于RDBMS中存储多对多联系的cross table

下载和安装ArangoDB

之前的文章中已经介绍过了下载安装，一旦server发动后，能够通过在阅读器中拜访http://localhost:8529 来翻开web界面（ArangoDB社区把该UI界面称为 Aardvark)

本文仍然运用默许的 _system数据库为例

数据导入

从arangodb_demodata下载示例数据集，并解压得到两个.csv文件，别离是airports.csv和flights.csv

导入 Airports

运用导入东西arangoimport，在指令行中键入指令来导入数据

arangoimport --file airports.csv的解压路径 --collection airports --create-collection true --type csv

能够运用–help来查看arangoimport协助：

arangoimport --help

假如运用的不是默许root用户，能够运用 –server.username name来指定，假如没设置暗码或许取消了登录认证，则看到提示要输入暗码时直接回车。

解压后的airports.csv片段如下：

在指令行中敲入导入指令行，会看到相似如下的反应：

arangoimport在背面做了什么呢？

创建了一个新document collection，名叫 airports, 运用_key作为索引
CSV文件中的每一行都树立一个document，除了首行和最终一行(为空行）
csv的首行界说了特点名称

翻开web界面，左侧菜单栏挑选COLLECTIONS，能够看到airports，翻开后即可阅读刚才导入的数据，如下图：

导入 Flights

刚才导入的机场数据是图中的极点，现在咱们导入航班数据作为边来将极点衔接。

原始flights.csv数据如下, 该csv文件有超越28万行数据，一瞬间运用arangoimport导入时，会比airports.csv耗时：

由所以边数据，导入指令稍有不同，多了一个参数 --create-collection-type edge：

arangoimport --file ~/Downloads/GraphCourse_DemoData_ArangoDB-2/flights.csv --collection flights --create-collection true --type csv --create-collection-type edge

键入导入指令后，会看到相似如下的显现：

这次，arangoimport在背面做了什么呢？

创建了一个新edge collection，名叫flights, 运用_key作为索引, _from和_to作为边索引。由于csv文件中没有_key字段，所以ArangoDB会主动生成
CSV文件中的每一行都树立一个edge document，除了首行和最终一行(为空行），其间_from和_to别离引用airports中的 _ids

能够想象，导入两批数据后，形成的图大概长这样：

翻开web界面，依然是从左侧菜单栏挑选COLLECTIONS，此刻会发现刚导入的flights，而且它的图标隐含了这是一个 edge collection.

AQL查询

数据安排妥当后，咱们能够运用ArangoDB的查询语言AQL来写一些查询了。

如上图，从web界面中挑选 QUERIES，进入查询编辑页面来编写、履行和分析查询。这儿支撑语法高亮显现，还答应用户保存和办理查询。

图：各区域的功用

动手实践

# 操练1，运用DOCUMENT()函数通过 _id 来找到John F. Kennedy机场
RETURN DOCUMENT("airports/JFK")
###########################################
# 操练2，运用FOR循环遍历airports, 运用_key过滤出 Kennedy机场，该模式会主动启用索引优化
FOR airport IN airports
    FILTER airport._key == "JFK"
    RETURN airport
###########################################
# 操练3，运用FILTER编写更复杂的过滤条件
FOR airport IN airports
    FILTER airport.city == "New York"
       AND airport.state == "NY"
    RETURN airport
###########################################
操练4， 运用SORT和LIMIT语句排序并约束结果数量
FOR a IN airports
    FILTER a.vip
    SORT a.state, a.name DESC
    LIMIT 5
    RETURN a
###########################################
操练5, 不回来整个document，仅回来部分所需字段
FOR a IN airports
    FILTER a._key IN ["JFK", "LAX"] 
    RETURN { fullName: a.name }
###########################################
操练6, 运用500个机场的经纬度通过GEO_POINT()来构建 GeoJSON目标
FOR a IN airports
    LIMIT 500
    RETURN GEO_POINT(a.long, a.lat)
###########################################
操练7, 回来collection中一切的文档数量
ArangoDB GraphCourse_Beginners Update 2
RETURN COUNT(airports)
###########################################
操练8, 回来一切提供VIP候机室的机场数量， 此例运用COLLECT完成
FOR airport IN airports
    FILTER airport.vip
    COLLECT WITH COUNT INTO count
    RETURN count

图遍历 Graph Traversal

图数据库的长处是能够很高效地履行图遍历，即沿着某些边在图上进行游走，通过的边数量称为遍历深度，遍历起点S的深度为0；与S相邻的节点，他们的遍历深度为1，如下图的A，B，C，同理，D，E，F的遍历深度为2

在正式履行图遍历前，咱们先来了解一下相关的查询语句语法：

留意：语法中的FOR，IN，ANY等都是大写，这只是一个实践常规，其实大小写无所谓。但变量名，特点，collection名都是要区别大小写的。

FOR之后最多跟三个变量，别离是，

vertex （文档目标），当时被遍历的极点
edge （文档目标，可选），当时被遍历的边
path （文档目标，可选），用两个成员来代表当时的路径
- vertices, 一个极点数组，代表该路径上的一切极点
- edges, 一个边数组，代表该路径上的一切边

IN min..max：界说遍历的最小最大深度，min默许为1，max默许为min

startVertex: 遍历的起始点

OUTBOUND|INBOUND|ANY，这三个参数指定遍历时边的方向

OUTBOUND，沿着出方向
INBOUND，沿着入方向
ANY，沿着恣意方向

edgeCollection, edge collection的姓名，其间存有遍历时的边

动手实践

# 回来从洛杉矶机场LAX可直达（深度为1）的一切机场
FOR airport IN 1..1 OUTBOUND
    "airports/LAX" flights
    RETURN DISTINCT airport.name
# 找出从洛杉矶机场起飞的恣意10个目的地，回来格局为 {"airport": {机场目标}, "flight": {航班目标}}
FOR airport, flight IN OUTBOUND 
'airports/LAX' flights
    LIMIT 10
    RETURN {airport, flight}
# 回来10个飞往俾斯麦机场BIS的航班号
FOR airport, flight IN INBOUND
"airports/BIS" flights
    LIMIT 10
    RETURN flight.FlightNum
# 查找1月5日至1月7日之间，从俾斯麦机场起飞或许下降的航班，回来对方机场所在城市跟到达时刻
FOR airport, flight IN ANY 
'airports/BIS' flights
    FILTER flight.Month == 1
       AND flight.Day >= 5
       AND flight.Day <= 7
    RETURN { city: airport.city, 
             time: flight.ArrTimeUTC}

之前咱们学习过根底的AQL查询，假如跟遍历结合运用呢？一起看几个比如：

# 仅运用根底的FOR循环查询，即看做是对collection中文档的查询
FOR flight IN flights
    FILTER flight.TailNum == "N238JB" 
    RETURN flight
# 找出一切1月5日，FlightNum为860的航班，仅回来_from和_to特点
FOR flight IN flights
    FILTER flight.FlightNum == 860
    AND    flight.Month == 1
    AND    flight.Day == 5
    RETURN KEEP(flight, "_from", "_to") 
    # 等价于 RETURN {_from: flight._from, _to:flight._to}, 很显然KEEP写法更简练
# 找出一切FlightNum为859或860，在JFK机场起飞或下降的航班
# 办法1：直接用FOR循环文档过滤
FOR flight IN flights
    FILTER flight.FlightNum IN [859, 860]
     AND   (flight._from == "airports/JFK" OR flight._to == "airports/JFK")
    RETURN KEEP(flight, "_from", "_to", "FlightNum")
# 办法2： 用图遍历，长处是不只能够拜访flight信息，还能够拜访airport信息
FOR a, f IN ANY "airports/JFK" flights
    FILTER f.FlightNum IN [859,860] 
    RETURN { airport: a.name, flight: f.FlightNum }
# 结合FOR循环跟图遍历, 从JFK和PBI两个机场一起作为起始点遍历，找出跟这两机场有关的编号为859或860的航班，以及对手机场的姓名和城市
FOR orig IN airports
    FILTER orig._key IN ["JFK", "PBI"]
    FOR dest, flight IN ANY orig flights
    FILTER flight.FlightNum in [859, 860]
    RETURN {A_airport: orig.name, B_airport: dest.name, B_city:dest.city, unique_flightnum:CONCAT(flight.UniqueCarrier, flight.FlightNum), day: flight.Day}

参考

[1]Graph Course for Freshers

ArangoDB Graphs 系列——02 基础图技能

ArangoDB

图根底

数据集

下载和安装ArangoDB

数据导入

导入 Airports

导入 Flights

AQL查询

动手实践

图遍历 Graph Traversal

动手实践

参考

作者信息

ArangoDB Graphs 系列——02 基础图技能

ArangoDB

图根底

数据集

下载和安装ArangoDB

数据导入

导入 Airports

导入 Flights

AQL查询

动手实践

图遍历 Graph Traversal

动手实践

参考

相关文章

内存优化：Java堆内存优化

深度学习可视化工具visdom使用

一文读懂 SuperEdge 云边隧道

我利用Coze的多Agent模式设计了一款由AI驱动的《谁是卧底》游戏（这应该是目前Coze平台上最复杂的一个Bot）

作者信息