一. 简介

前面我们爬取了百度百科的数据，获取400W的数据大概需要10天左右。接下来我们需要把它存到图数据库里来，这里我还是使用neo4j，没选Jena的原因是我个人认为在没有本体模型的情况下，在neo4j上好好的建立上下位关系也许更好。 现有百度百科部分，包含词条4,190,390条，存入 neo4j 后得到节点 10,416,647个，关系 37,317,167 条，属性 45,049,533个。下面我们对其进行介绍。

本教程的项目代码放在github上，下载地址为《从零开始学习知识图谱》项目源代码 。

二. 环境准备

1. 操作系统

支持操作系统：windows、macOS、Linux。为了方便大家搭建开发环境，笔者尽可能在windows下构建，系列篇未特意说明时操作系统都是windows。Linux安装可以参考VirtualBox虚拟机安装Ubuntu或VirtualBox虚拟机安装CentOS8进行安装。

2. jdk

安装参见windows系统安装JDK

3. Python3

安装参见从零开始学习知识图谱 之 一

4. 安装Neo4j

参见从零开始学习知识图谱 之 六 -安装Neo4j

三. MYSQL 数据的导出

从MYSQL中，导出所需数据，包含：

• 节点
  • title: 包含 title,即词条的标题，如上海
  • disambi: 包含 disambi(消除歧义的名称，如 上海 （中华人民共和国直辖市）), title(上面的标题), abstract(词条摘要), curLink(当前词条的网址), exterLink(该词条的引用外部链接)
  • redirect: 包含 redirect,即同义词，如 沪 和上海 （中华人民共和国直辖市）是同一个意思
  • subject: 包含 disambi, subject(词条的分类, 如 地理,地点 等)
• 关系
  • title_disambi: 词条标题和消岐名称间的关系
  • disambi_redirect: 消岐名称和同义词间的关系
  • disambi_subject: 消岐名称和词条分类间的关系 如 “内森·科德里”,”娱乐人物,人物”
  • disambi_infobox: 消岐名称的对应属性，如 出生地、国籍等

建议使用MySQL Workbench执行下面脚本，

mysql 中导出表的代码为：

                                                                    
SELECT distinct title  from lemmas into outfile 'C:/ProgramData/MySQL/MySQL Server 8.0/Uploads/410_title.csv' fields terminated by ',' optionally enclosed by '"' lines terminated by '\r\n';

SELECT disambi, title, abstract, curLink, exterLink from lemmas  into outfile 'C:/ProgramData/MySQL/MySQL Server 8.0/Uploads/410_disambi.csv' fields terminated by ',' optionally enclosed by '"' lines terminated by '\r\n';

SELECT distinct redirect from lemmas into outfile 'C:/ProgramData/MySQL/MySQL Server 8.0/Uploads/410_redirect.csv' fields terminated by ',' optionally enclosed by '"' lines terminated by '\r\n';

SELECT disambi, subject from lemmas where subject != '' into outfile 'C:/ProgramData/MySQL/MySQL Server 8.0/Uploads/410_disambi_subject.csv' fields terminated by ',' optionally enclosed by '"' lines terminated by '\r\n';

SELECT title, disambi from lemmas into outfile 'C:/ProgramData/MySQL/MySQL Server 8.0/Uploads/410_title_disambi.csv' fields terminated by ',' optionally enclosed by '"' lines terminated by '\r\n'; 

SELECT disambi, redirect from lemmas where redirect !='' into outfile 'C:/ProgramData/MySQL/MySQL Server 8.0/Uploads/410_disambi_redirect.csv' fields terminated by ',' optionally enclosed by '"' lines terminated by '\r\n';

SELECT disambi, infobox from lemmas where infobox!='' into outfile 'C:/ProgramData/MySQL/MySQL Server 8.0/Uploads/410_disambi_infobox.csv' fields terminated by ',' optionally enclosed by '"' lines terminated by '\r\n';

而后我们将导出的csv文件转移到\import文件夹内：

文件移动Dos命令：

C:\Users\mmm>move C:\"ProgramData\MySQL\MySQL Server 8.0\Uploads\*.csv" C:\my\neo4j\import\
C:\ProgramData\MySQL\MySQL Server 8.0\Uploads\410_disambi.csv
C:\ProgramData\MySQL\MySQL Server 8.0\Uploads\410_disambi_infobox.csv
C:\ProgramData\MySQL\MySQL Server 8.0\Uploads\410_disambi_redirect.csv
C:\ProgramData\MySQL\MySQL Server 8.0\Uploads\410_disambi_subject.csv
C:\ProgramData\MySQL\MySQL Server 8.0\Uploads\410_redirect.csv
C:\ProgramData\MySQL\MySQL Server 8.0\Uploads\410_title.csv
C:\ProgramData\MySQL\MySQL Server 8.0\Uploads\410_title_disambi.csv
移动了         7 个文件。

四. 清洗数据

接下来需要对上面的这些文件做数据清洗，重点清洗对象为：title、disambi、infobox、subject这种。这里需要注意的是像disambi这种在不同文件中都出现的东西，一定要使用统一的标准去清洗它们，防止对不上导致错误。这里我建立了一个单独的python文件来统一定义清洗它们的方式：

import re        
import commands
                 
class Clean(object):
    @staticmethod
    def clean_word(word, clean_level='others'):
        """ Remove symbols in words :word word with unicode :clean_level keep different symbols for disambi/title :return clean word """   
        word = word.strip()
                 
        if clean_level == "title":
            word = word.strip().strip("\"").replace("\n", " ").replace("\"","").strip(u"\\")        elif clean_level == "subject":
            word = word.replace("\"", "").strip("\\").strip()
        elif clean_level == "redirect":
            word = word.strip("\"")
        elif clean_level == "disambi":
            word = re.sub(u"[，。、＆∈＊．↑【２—‘：“＃＞ ＢＦＲ·Ｚ<ｂｆ≈ｊ×～①Ⅲ⑤⑨÷〔！％》－』１→５＝ＡＥ∧Ｉ/″▲; ］ξａｅφｉ｝④⑧…─☆《『０В＜Ｄ∪Ｌ±γ′ＴＸλ: ｄｈ｜③⑦~、℃＇〉＋」／】３〕Δ’；”？■ＣＧΨ［=μ＿ｃｇβ㈧ｏ｛②⑥'⑩。\~\!\@\#\$\%\^\&\*\(\)\_\-\+\=\{\}\[\]\\\|\:\;\'\"\.\>\?\/\, \xa0\u00a0\u3000\r\n]", "", word)
        elif clean_level == 'others':
            word = re.sub(u"[，。、＆∈＊．↑【２—‘：“＃＞ ＢＦＲ·Ｚ<ｂｆ≈ｊ×～①Ⅲ⑤⑨÷〔！％）》－』１→５＝ＡＥ∧Ｉ/″▲; ］ξａｅφｉ｝④⑧…─☆（《『０В＜Ｄ∪Ｌ±γ′ＴＸλ: ｄｈ｜③⑦~、℃＇〉＋」／】３〕Δ’；”？■ＣＧΨ［=μ＿ｃｇβ㈧ｏ｛②⑥'⑩。\~\!\@\#\$\%\^\&\*\(\)\_\-\+\=\{\}\[\]\\\|\:\;\'\"\.\>\?\/\,\xa0\u00a0\u3000\r\n]", "", word)
        return word

接下来：

• 运行 gen_disambi_infobox.py 得到 410_title_new.csv 的title 节点文件、410_disambi_infobox_out.csv 的 disambi_inbox 关系文件还有出现频次大于10的属性 all_attr.txt 文件。

• 运行 remove_disambi.py 得到 410_disambi_new.csv 节点文件

• 运行 get_subject.py 得到 disambi_subject.csv 关系文件和all_subject.csv 的全部subject文件。

• 运行 cleanFile.py 得到 410_title_disambi 的关系文件 和 410_disambi_redirect的关系文件。

以上程序放在ie/struct_to_rdf/baidu2neo4j 目录下，使用的话需要根据实际文件的存放路径进行更改。需要注意的是上面几个程序的重合度很高，在完成互动百科爬虫后，我将重写它们的结构。

五. 将数据导入 neo4j

由于数据量较大，我们需要采用neo4j-import 工具进行数据导入，运行下面的命令将数据导入 neo4j。

*_header.csv头文件定义放在ie/struct_to_rdf/baidu2neo4j/header_file文件夹内。

需要注意的是下面所有的csv文件需要在当前目录下，或者使用路径指向它们，而后..\bin\neo4j-import、..\data\databases\的路径也根据你所处的路径而变化。同时保证..\data\databases\graph.db不存在，否则改名。

C:\my\neo4j\import>..\bin\neo4j-import --multiline-fields=true --bad-tolerance=1000000 --into ..\data\databases\graph.db --id-type string --nodes:Title title_header.csv,410_title_new.csv --nodes:Disambi disambi_headers.csv,410_disambi_new.csv --nodes:Redirect redirect_header.csv,410_redirect.csv --nodes:Subject subject_header.csv,all_subject.csv --relationships:DisambiName title_disambi_header.csv,410_title_disambi_out.csv --relationships:RedirectName disambi_redirect_header.csv,410_disambi_redirect_out.csv --relationships:DisambiSubject disambi_subject_header.csv,disambi_subject.csv --relationships:Role disambi_infobox_header.csv,410_disambi_infobox_out.csv;
WARNING: neo4j-import is deprecated and support for it will be removed in a future
version of Neo4j; please use neo4j-admin import instead.
Neo4j version: 3.5.11
Importing the contents of these files into C:\my\neo4j\data\databases\graph.db:
Nodes:
  :Title
  C:\my\neo4j\import\title_header.csv
  C:\my\neo4j\import\410_title_new.csv

  :Disambi
  C:\my\neo4j\import\disambi_headers.csv
  C:\my\neo4j\import\410_disambi_new.csv

  :Redirect
  C:\my\neo4j\import\redirect_header.csv
  C:\my\neo4j\import\410_redirect.csv

  :Subject
  C:\my\neo4j\import\subject_header.csv
  C:\my\neo4j\import\all_subject.csv
Relationships:
  :DisambiName
  C:\my\neo4j\import\title_disambi_header.csv
  C:\my\neo4j\import\410_title_disambi_out.csv

  :RedirectName
  C:\my\neo4j\import\disambi_redirect_header.csv
  C:\my\neo4j\import\410_disambi_redirect_out.csv

  :DisambiSubject
  C:\my\neo4j\import\disambi_subject_header.csv
  C:\my\neo4j\import\disambi_subject.csv

  :Role
  C:\my\neo4j\import\disambi_infobox_header.csv

Available resources:
  Total machine memory: 15.85 GB
  Free machine memory: 9.93 GB
  Max heap memory : 3.52 GB
  Processors: 8
  Configured max memory: 11.09 GB
  High-IO: false

Import starting 2019-10-29 17:05:36.714+0800

······

Imported:
  10,416,647 nodes
  37,317,167 relationships
  45,049,533 properties
Peak memory usage: 1.03 GB
There were bad entries which were skipped and logged into C:\my\neo4j\import\..\data\databases\graph.db\bad.log

其中我们定义了如下节点：

• Title： 只包含title名称
• Disambi：包含 disambi、title、abstract、curLink、exterLink五项内容。
• Redirect：只包含redirect名称
• Subject： 只包含subject

除此之外还定义如下关系：

• DisambiName：表示 title到disambi间的关系
• RedirectName： 表示disambi 到 redirect间的关系
• DisambiSubject：表示 disambi 到 subject间的关系
• Role：表示disambi 到infobox里各个属性和属性值间的关系

除此之外，使用 neo4j-import 最好使用像 disambi_infobox_header.csv 这种的header文件，里面包含

:START_ID(Disambi),role,:END_ID(Title)

其中START_ID表示关系的开始节点，END_ID表示关系的结束节点。中间的role表示关系的属性。需要注意的是上面这一行里面千万不能有空格，否则就会出现”role”这种情况。头文件定义放在ie/struct_to_rdf/baidu2neo4j/header_file文件夹内，大家可以参考使用。

六. 参考

Use the Import tool：https://neo4j.com/docs/operations-manual/current/tutorial/import-tool/