Amazon Neptune 入门

Amazon Neptune 等图形数据库专为存储和导航关系而构建。在社交网络、推荐引擎和欺诈检测等应用场景中，您需要在数据之间创建关系并快速查询这些关系，此时，图形数据库将比关系数据库更具优势。使用关系数据库构建这些类型的应用程序面临着许多挑战。您将需要多个具有多个外键的表。用于导航此数据的 SQL 查询需要嵌套查询和复杂的联接，它们很快就会变得不灵便，而且随着数据量逐渐增加，查询的性能也会降低。在 re:Invent 2018 上，Amazon Web Services 为图形数据库提供了一个通道，以提供更多信息和详情。

Neptune 使用节点（数据实体）、边缘（关系）和属性等图形结构来表示和存储数据。这些关系存储为数据模型的一等公民。这样，系统便可直接关联节点中的数据，从而显著提高那些在数据中进行关系导航的查询的性能。Neptune 的大规模交互式性能可有效地实现各种图形使用案例。

如果您的图形模型中已有数据，则可以轻松开始使用 Amazon Neptune。您可以加载 CSV 或 RDF 格式的数据，并开始使用 Apache TinkerPop Gremlin 或 SPARQL 编写图形查询。您可以使用下面的快速入门指南，或查看完整的入门说明。我们还整合了 Amazon Neptune 的最佳实践。 

Amazon Neptune 的快速入门文档

Amazon Neptune 的入门文档

由于 Amazon Neptune 支持开放图形 API 和查询语言，我们将链接到 Gremlin 和 SPARQL 的外部文档。使用 Gremlin 与 Neptune 的客户通常参考在线手册 实用的 Gremlin：Apache TinkerPop 教程，作为有用的参考来增强 Apache TinkerPop 文档。对于使用 RDF 和 SPARQL 与 Neptune 的客户，可将万维网联盟的 SPARQL 1.1 概述作为有用的指南。

还有其他可用的示例帮助您入门。我们拥有可视化 Neptune 图形的示例代码。我们有一个应用程序，可使用 Amazon Glue 将 IMDB ETL 到 Neptune 中，以尝试图形查询，从而找出“凯文·培根六度分离”。我们有一个推荐引擎示例 ，展示了如何使用协作筛选。

如果您对启用 GraphQL 来访问 Amazon Neptune 感兴趣，示例应用程序展示了如何使用 Amazon AppSync GraphQL 和 Amazon Neptune。

如果您想迁移到 Amazon Neptune，我们有一个实用程序可将 GraphML 数据转换为 Neptune CSV 格式，同时，还有一个 Python 库可帮助从 Amazon Glue 作业中写入 Neptune。