模式推断
由于 Neo4j 本质上是无模式的,而 Spark DataFrames 使用固定的表格模式,因此 Spark 连接器使用模式推断系统将图数据转换为 DataFrames。
-
如果已安装 APOC,连接器将使用
apoc.meta.nodeTypeProperties
和apoc.meta.relTypeProperties
过程。你可以对两者进行 调优。 -
如果未安装 APOC,连接器将使用额外 Cypher® 查询的前 n 个结果(由
schema.flatten.limit
选项定义)通过每列的类型推断模式。当使用query
选项时,模式从查询结果本身推断。
这两种方法都使用采样,这是 schema.strategy
选项的默认值 (sample
)。具体的 APOC 过程或 Cypher 查询取决于读取选项。
此策略在 Neo4j 中属性的所有实例具有相同类型时有效。否则,连接器仍会尝试推断模式,但会记录类似以下消息:
The field "age" has different types: [String, Long]
Every value will be casted to string.
在这种情况下,你应该 定义一个模式。
labels
选项
如果已安装 APOC,连接器将使用 apoc.meta.nodeTypeProperties
过程。否则,它将执行以下 Cypher 查询:
MATCH (n:<labels>) (1)
RETURN n
ORDER BY rand()
LIMIT <limit> (2)
1 | <labels> 是由 labels 选项提供的标签列表。 |
2 | <limit> 是由 schema.flatten.limit 选项提供的值。 |
然后从查询结果推断模式。
relationships
选项
如果已安装 APOC,连接器将使用 apoc.meta.relTypeProperties
过程。否则,它将执行以下 Cypher 查询:
MATCH (source:<source_labels>)-[rel:<relationship>]->(target:<target_labels>) (1) (2) (3)
RETURN rel
ORDER BY rand()
LIMIT <limit> (4)
1 | <source_labels> 是由 relationship.source.labels 选项提供的标签列表。 |
2 | <target_labels> 是由 relationship.target.labels 选项提供的标签列表。 |
3 | <relationship> 是由 relationship 选项提供的关系类型列表。 |
4 | <limit> 是通过 schema.flatten.limit 提供的值。 |
然后从查询结果推断模式。
query
选项
使用 query
选项,连接器将使用查询结果的前 n 个结果(由 schema.flatten.limit
选项定义)来推断模式。
例如,如果读取查询是 MATCH (n:Person) WITH n LIMIT 2 RETURN id(n) as id, n.name as name
,连接器将首先运行以下查询:
MATCH (n:Person) WITH n LIMIT 2 RETURN id(n) as id, n.age as age (1)
ORDER BY rand()
LIMIT <limit> (2)
1 | 原始读取查询。 |
2 | <limit> 是通过 schema.flatten.limit 提供的值。 |
然后从查询结果推断模式。
如果查询没有返回数据,则无法进行采样。在这种情况下,连接器会从 RETURN
语句创建一个模式,其中每列的类型都是 String
。由于结果集为空,这不会导致任何问题。