使用属性图存储库¶

在 LlamaIndex 中，通常你会创建一个 PropertyGraphStore，将其传入 PropertyGraphIndex，然后它会自动用于数据插入和查询操作。

但有时你可能需要直接使用图存储库。也许你想自行创建图结构并交给检索器或索引使用，或者希望编写自己的代码来管理和查询图存储库。

本指南将演示如何在不使用索引的情况下，直接对图存储库进行数据填充和查询操作。

环境配置¶

本节我们将使用 Neo4j 作为属性图存储数据库。

要在本地启动 Neo4j，请先确保已安装 Docker。随后可通过以下 Docker 命令启动数据库：

docker run \
    -p 7474:7474 -p 7687:7687 \
    -v $PWD/data:/data -v $PWD/plugins:/plugins \
    --name neo4j-apoc \
    -e NEO4J_apoc_export_file_enabled=true \
    -e NEO4J_apoc_import_file_enabled=true \
    -e NEO4J_apoc_import_file_use__neo4j__config=true \
    -e NEO4JLABS_PLUGINS=\[\"apoc\"\] \
    neo4j:latest

启动后，可通过 http://localhost:7474/ 访问数据库。首次登录时需使用默认用户名/密码 neo4j 和 neo4j。

初次登录后，系统会要求修改默认密码。

完成上述步骤后，即可开始创建您的第一个属性图！

In [ ]:

from llama_index.graph_stores.neo4j import Neo4jPropertyGraphStore

pg_store = Neo4jPropertyGraphStore(
    username="neo4j",
    password="llamaindex",
    url="bolt://localhost:7687",
)

from llama_index.graph_stores.neo4j import Neo4jPropertyGraphStore pg_store = Neo4jPropertyGraphStore( username="neo4j", password="llamaindex", url="bolt://localhost:7687", )

插入数据¶

现在我们已经初始化了存储，可以向其中添加内容了！

向属性图存储中插入数据主要包括插入以下节点类型：

• EntityNode - 包含带有标签的人物、地点或事物
• ChunkNode - 包含实体或关系来源的原始文本片段

以及插入Relation关系（即连接多个节点）。

In [ ]:

from llama_index.core.graph_stores.types import EntityNode, ChunkNode, Relation

# Create a two entity nodes
entity1 = EntityNode(label="PERSON", name="Logan", properties={"age": 28})
entity2 = EntityNode(label="ORGANIZATION", name="LlamaIndex")

# Create a relation
relation = Relation(
    label="WORKS_FOR",
    source_id=entity1.id,
    target_id=entity2.id,
    properties={"since": 2023},
)

from llama_index.core.graph_stores.types import EntityNode, ChunkNode, Relation # Create a two entity nodes entity1 = EntityNode(label="PERSON", name="Logan", properties={"age": 28}) entity2 = EntityNode(label="ORGANIZATION", name="LlamaIndex") # Create a relation relation = Relation( label="WORKS_FOR", source_id=entity1.id, target_id=entity2.id, properties={"since": 2023}, )

在定义了一些实体和关系后，我们就可以插入它们了！

In [ ]:

pg_store.upsert_nodes([entity1, entity2])
pg_store.upsert_relations([relation])

pg_store.upsert_nodes([entity1, entity2]) pg_store.upsert_relations([relation])

如果我们愿意，也可以定义这些文本块来自何处

In [ ]:

from llama_index.core.schema import TextNode

source_node = TextNode(text="Logan (age 28), works for LlamaIndex since 2023.")
relations = [
    Relation(
        label="MENTIONS",
        target_id=entity1.id,
        source_id=source_node.node_id,
    ),
    Relation(
        label="MENTIONS",
        target_id=entity2.id,
        source_id=source_node.node_id,
    ),
]

pg_store.upsert_llama_nodes([source_node])
pg_store.upsert_relations(relations)

from llama_index.core.schema import TextNode source_node = TextNode(text="Logan (age 28), works for LlamaIndex since 2023.") relations = [ Relation( label="MENTIONS", target_id=entity1.id, source_id=source_node.node_id, ), Relation( label="MENTIONS", target_id=entity2.id, source_id=source_node.node_id, ), ] pg_store.upsert_llama_nodes([source_node]) pg_store.upsert_relations(relations)

现在，你的图应该包含 3 个节点和 3 条关系。

检索¶

现在我们的图数据库中已经填充了一些节点和关系，可以开始使用检索功能了！

In [ ]:

# get a node
kg_nodes = pg_store.get(ids=[entity1.id])
print(kg_nodes)

# get a node kg_nodes = pg_store.get(ids=[entity1.id]) print(kg_nodes)

[EntityNode(label='PERSON', embedding=None, properties={'age': 28, 'name': 'Logan'}, name='Logan')]

In [ ]:

# get using properties
kg_nodes = pg_store.get(properties={"age": 28})
print(kg_nodes)

# get using properties kg_nodes = pg_store.get(properties={"age": 28}) print(kg_nodes)

[EntityNode(label='PERSON', embedding=None, properties={'age': 28, 'name': 'Logan'}, name='Logan')]

In [ ]:

# get paths from a node
paths = pg_store.get_rel_map(kg_nodes, depth=1)
for path in paths:
    print(f"{path[0].id} -> {path[1].id} -> {path[2].id}")

# get paths from a node paths = pg_store.get_rel_map(kg_nodes, depth=1) for path in paths: print(f"{path[0].id} -> {path[1].id} -> {path[2].id}")

Logan -> WORKS_FOR -> LlamaIndex

In [ ]:

# Run a cypher query (this will get all entity nodes)
query = "match (n:`__Entity__`) return n"
result = pg_store.structured_query(query)
print(result)

# Run a cypher query (this will get all entity nodes) query = "match (n:`__Entity__`) return n" result = pg_store.structured_query(query) print(result)

[{'n': {'name': 'Logan', 'id': 'Logan', 'age': 28}}, {'n': {'name': 'LlamaIndex', 'id': 'LlamaIndex'}}]

In [ ]:

# get the original text node back
llama_nodes = pg_store.get_llama_nodes([source_node.node_id])
print(llama_nodes[0].text)

# get the original text node back llama_nodes = pg_store.get_llama_nodes([source_node.node_id]) print(llama_nodes[0].text)

Logan (age 28), works for LlamaIndex since 2023.

更新插入¶

您可能已经注意到，所有的插入操作实际上都是更新插入！只要节点的 ID 相同，我们就能避免数据重复。

让我们来更新一个节点。

In [ ]:

new_node = EntityNode(
    label="PERSON", name="Logan", properties={"age": 28, "location": "Canada"}
)
pg_store.upsert_nodes([new_node])

new_node = EntityNode( label="PERSON", name="Logan", properties={"age": 28, "location": "Canada"} ) pg_store.upsert_nodes([new_node])

In [ ]:

nodes = pg_store.get(properties={"age": 28})
print(nodes)

nodes = pg_store.get(properties={"age": 28}) print(nodes)

[EntityNode(label='PERSON', embedding=None, properties={'location': 'Canada', 'age': 28, 'name': 'Logan'}, name='Logan')]

删除操作¶

删除操作与 get() 类似，支持通过 ID 和属性两种方式进行。

让我们清理当前图数据，以便重新开始。

In [ ]:

# delete our entities
pg_store.delete(ids=[entity1.id, entity2.id])

# delete our text nodes
pg_store.delete([source_node.node_id])

# delete our entities pg_store.delete(ids=[entity1.id, entity2.id]) # delete our text nodes pg_store.delete([source_node.node_id])

In [ ]:

nodes = pg_store.get(ids=[entity1.id, entity2.id])
print(nodes)

nodes = pg_store.get(ids=[entity1.id, entity2.id]) print(nodes)

[]