neo4django 技术文档
2024-12-26 13:01:35作者:吴年前Myrtle
1. 安装指南
1.1 使用 pip 安装
你可以通过 pip 从 PyPi 安装 neo4django:
pip install neo4django
或者直接从 GitHub 安装:
pip install -e git+https://github.com/scholrly/neo4django/#egg=neo4django
2. 项目的使用说明
neo4django 是一个对象图映射器(Object Graph Mapper),它允许你使用熟悉的 Django 模型定义和查询来操作 Neo4j 图数据库。通过 neo4django,你可以像使用 Django ORM 一样来操作 Neo4j 数据库。
2.1 配置 Django 项目
在使用 neo4django 之前,你需要在 Django 项目的 settings.py 文件中进行配置。确保你已经安装了 Neo4j 数据库,并且数据库服务正在运行。
# settings.py
DATABASES = {
'default': {
'ENGINE': 'neo4django.db.backends.neo4j',
'NAME': 'your_database_name',
'USER': 'your_username',
'PASSWORD': 'your_password',
'HOST': 'localhost',
'PORT': '7474',
}
}
2.2 定义模型
你可以像定义 Django 模型一样定义 neo4django 模型。以下是一个简单的示例:
from neo4django.db import models
class Person(models.NodeModel):
name = models.StringProperty()
age = models.IntegerProperty()
class Friendship(models.Relationship):
from_node = models.ForeignKey(Person, related_name='friends')
to_node = models.ForeignKey(Person, related_name='friends_with')
since = models.DateTimeProperty()
2.3 查询数据
你可以使用 Django 的查询 API 来查询 Neo4j 数据库中的数据。以下是一些示例:
# 查询所有 Person 节点
people = Person.objects.all()
# 查询年龄大于 30 的 Person 节点
adults = Person.objects.filter(age__gt=30)
# 查询某个人的朋友
person = Person.objects.get(name='Alice')
friends = person.friends.all()
3. 项目 API 使用文档
3.1 NodeModel API
NodeModel 是 neo4django 中的节点模型基类,所有节点模型都应继承自此类。
save(): 保存节点到数据库。delete(): 从数据库中删除节点。objects: 用于查询节点的管理器。
3.2 Relationship API
Relationship 是 neo4django 中的关系模型基类,所有关系模型都应继承自此类。
save(): 保存关系到数据库。delete(): 从数据库中删除关系。from_node: 关系的起始节点。to_node: 关系的目标节点。
3.3 QuerySet API
QuerySet 是 neo4django 中的查询集,用于查询节点和关系。
all(): 返回所有节点或关系。filter(**kwargs): 根据条件过滤节点或关系。get(**kwargs): 获取单个节点或关系。exclude(**kwargs): 排除符合条件的节点或关系。
4. 项目安装方式
4.1 使用 pip 安装
你可以通过 pip 从 PyPi 安装 neo4django:
pip install neo4django
或者直接从 GitHub 安装:
pip install -e git+https://github.com/scholrly/neo4django/#egg=neo4django
4.2 配置环境
在安装完成后,确保你已经正确配置了 Django 项目的 settings.py 文件,并且 Neo4j 数据库服务正在运行。
4.3 验证安装
你可以通过运行 Django 的 manage.py 命令来验证 neo4django 是否安装成功:
python manage.py check
如果一切正常,你应该会看到类似以下的输出:
System check identified no issues (0 silenced).
至此,你已经成功安装并配置了 neo4django,可以开始使用它来操作 Neo4j 数据库了。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
346
147