高效地将wikidata导入neo4j（附代码）

核心思想

核心思想其实很简单，就是一定要用Batch Inserter来导入！

Batch Inserter是neo4j的java interface中的一个包，内含将数据批量导入neo4j的一些接口。其能够实现快速导入的原因有二：

其采用批量导入而非一个一个的导入，所以很多内部操作可以合并

其绕开了neo4j中包含constraints在内的多项检验，并采用先导入数据后建立索引的方式（如果需要建索引的话），所以导入数据就快了很多。但代价是不保证数据的一致性，同时其并不是多线程安全的。用户需要保证插入的数据不会破坏数据库的constraints。

导入流程

核心思想明确后，剩下的就好办了。这里，我们采用两步走的方式来导入数据（扫描两次wikidata dump）：

导入所有的节点，这里的节点包括wikidata中的item以及property。这里把property也作为node纯粹是为了查询方便，以及解约存储空间。（我希望item之间的边只包含property的id，需要property具体信息时，再用这个id查找相应的property节点即可）

导入所有的边

之所以要采用两步走，是因为我觉得如果扫描一次wikidaa dump就完成所有操作的话，就必然会在建边时碰见之前没插入的节点。这时，就需要先插入一个只包含id的节点，之后遇到该节点的详细信息时再补上。这样会增加查询开销，同时可能也涉及到存储的空间不连贯性的问题。

但实际做的时候发现，貌似大部分时间花在了解析json字符串上，因为我发现插入边跟插入节点这两部用时差不多，所以可能扫描一次wikidata dump是更好的选择。不过，暂时也懒得具体做实验了，大家有兴趣可以试一试。

统计数据

我导入的是2016年1月18日的dump，其json的bz2压缩包约4G，导入后，数据库文件约4.2G

这里，我没有全部导入。只导入了英文部分，同时忽略了引用，property之间的关系，以及item的property中，客体不是item的部分（比如，image(P18)）

速度的话，总共耗时3小时，其中插入节点用了5113秒，插入边用了6018秒。

大概一秒可以处理2500个item。其中，处理速度先慢后快，开始时大概1秒1000个，之后慢慢加快，最快时可以1秒5000个。

代码

代码是用java写的，放在github上了，大家可以下载下来玩一玩。地址点我

代码中我没有建任何索引，需要的话，在导入完成后，用Cypher建就好，还是挺快的，比如：

create index on :Item(wikidataId)