前幾天和社區小夥伴友好交流（閒聊），不少加入 NebulaGraph 的小夥伴雖然對圖感興趣，但是因爲業務調整或者是時間緣故，最終沒能用上 NebulaGraph。而他們當中不少的小夥伴說，春節我打算好好學習一番。既然大家有此打算，那 Nebula 一定要來助力一番。
本文是一份極度友好，你即便只會一個開機操作不懂任何數據庫，你也能獲得像是下圖這樣的直觀關係圖譜。
<small>* 注：本文雖然看過篇幅很長，大多數是爲了方便新手對照加入了大量的圖片供參考，別擔心用上圖數據庫的過程很複雜：它真的很簡單，幾分鐘就搞定了~</small>
寫在前面
寫給新手
本文作者是一個 SQL 都不會寫的小運營，她根據文檔完成了 NebulaGraph 的部署和可視化工具 NebulaGraph Studio、NebulaGraph Explorer 的部署，以及完成了簡單的圖探索。優秀如你，一定可以完成本次的 NebulaGraph 圖庫打卡活動~
本文所用操作系統爲 macOS，採用 Docker 和雲服務兩種方式來部署 NebulaGraph。如果你採用 Docker 部署方式，而操作系統爲 Windows，記得自行搜索“Windows 如何安裝使用 Docker Desktop”。
寫給老手
如果你已經完成了部署，會用 NebulaGraph Studio 之類的圖探索工具。那麼，你可以試試由思爲提供的進階實踐教程（難度依次增加）：
NebulaGraph 和可視化工具部署
爲了降低難度（其實是沒有 Linux 機器），本次部署採用了 Docker 方式，按照文檔：https://docs.nebula-graph.com.cn/3.6.0/4.deployment-and-installation/2.compile-and-install-nebula-graph/3.deploy-nebula-graph-with-docker-compose/，一步步執行。
你可以按照文檔一步步操作，也可以只看本文完成 Docker 的部署安裝。
Docker Compose 安裝
首先，安裝 Docker Compose。這裏我們直接安裝 Docker Desktop（Docker 桌面版），它提供了 Docker Compose。點擊此處：https://www.docker.com/products/docker-desktop/，自行完成安裝。
安裝完成之後，點擊你的 Docker 圖標，運行 Docker。
當你看到上圖，狀態欄有 Docker 的圖標，說明你的 Docker 環境已 ready。我們可以來驗證下：打開你的 terminal，輸入命令：docker-compose version，有像下圖一樣的返回結果，說明你的 Docker 可以開始工作了。
NebulaGraph 部署
現在有 Docker Compose 了，我們來安裝下圖數據庫。
還是那個執行了 Docker 版本查詢的 terminal，輸入命令：
git clone -b release-3.6 https://github.com/vesoft-inc/nebula-docker-compose.git
讓命令運行一段時間，看到下圖：
好的，到此爲止。你已經有了優秀的圖數據庫 NebulaGraph，完成了它的部署。
NebulaGraph 服務啓動
下面，我們來啓動 NebulaGraph。非常簡單的兩條命令，還是在 terminal 裏執行：
# 切到 nebula-docker-compose 目錄
cd nebula-docker-compose
# 拉起服務
docker-compose up -d
看到上圖，說明你的 NebulaGraph 的服務已經啓動。
NebulaGraph 服務連接
現在 NebulaGraph 已經啓動了，一般來說現在就是連接它，執行什麼 SQL boy 的日常 CRUD 操作——往數據庫里加點數據、做些查詢。
先前，我們提到了 NebulaGraph Studio 和 NebulaGraph Explorer 你可以理解是一個 Web 客戶端，我們會用瀏覽器來連接 NebulaGraph。作爲一個附加學習，下面是通過 nebula-console 來連接 NebulaGraph。
還是在之前那個執行了 docker-compose up -d 的 terminal，用命令 docker-compose ps 看下目前 Docker 中服務名：
nebula-docker-compose git:(release-3.6) docker-compose ps
NAME IMAGE COMMAND SERVICE CREATED STATUS PORTS
nebula-docker-compose-console-1 docker.io/vesoft/nebula-console:v3.5 "sh -c 'for i in `se…" console 44 seconds ago Up 40 seconds
nebula-docker-compose-graphd-1 docker.io/vesoft/nebula-graphd:v3.6.0 "/usr/local/nebula/b…" graphd 44 seconds ago Up 41 seconds (healthy) 0.0.0.0:9669->9669/tcp, 0.0.0.0:55153->19669/tcp, 0.0.0.0:55154->19670/tcp
nebula-docker-compose-graphd1-1 docker.io/vesoft/nebula-graphd:v3.6.0 "/usr/local/nebula/b…" graphd1 44 seconds ago Up 41 seconds (healthy) 0.0.0.0:55152->9669/tcp, 0.0.0.0:55150->19669/tcp, 0.0.0.0:55151->19670/tcp
nebula-docker-compose-graphd2-1 docker.io/vesoft/nebula-graphd:v3.6.0 "/usr/local/nebula/b…" graphd2 44 seconds ago Up 41 seconds (healthy) 0.0.0.0:55157->9669/tcp, 0.0.0.0:55155->19669/tcp, 0.0.0.0:55156->19670/tcp
nebula-docker-compose-metad0-1 docker.io/vesoft/nebula-metad:v3.6.0 "/usr/local/nebula/b…" metad0 44 seconds ago Up 43 seconds (healthy) 9560/tcp, 0.0.0.0:55131->9559/tcp, 0.0.0.0:55132->19559/tcp, 0.0.0.0:55133->19560/tcp
nebula-docker-compose-metad1-1 docker.io/vesoft/nebula-metad:v3.6.0 "/usr/local/nebula/b…" metad1 44 seconds ago Up 43 seconds (healthy) 9560/tcp, 0.0.0.0:55130->9559/tcp, 0.0.0.0:55128->19559/tcp, 0.0.0.0:55129->19560/tcp
nebula-docker-compose-metad2-1 docker.io/vesoft/nebula-metad:v3.6.0 "/usr/local/nebula/b…" metad2 44 seconds ago Up 43 seconds (healthy) 9560/tcp, 0.0.0.0:55136->9559/tcp, 0.0.0.0:55134->19559/tcp, 0.0.0.0:55135->19560/tcp
nebula-docker-compose-storaged0-1 docker.io/vesoft/nebula-storaged:v3.6.0 "/usr/local/nebula/b…" storaged0 44 seconds ago Up 42 seconds (health: starting) 9777-9778/tcp, 9780/tcp, 0.0.0.0:55140->9779/tcp, 0.0.0.0:55141->19779/tcp, 0.0.0.0:55142->19780/tcp
nebula-docker-compose-storaged1-1 docker.io/vesoft/nebula-storaged:v3.6.0 "/usr/local/nebula/b…" storaged1 44 seconds ago Up 42 seconds (health: starting) 9777-9778/tcp, 9780/tcp, 0.0.0.0:55144->9779/tcp, 0.0.0.0:55145->19779/tcp, 0.0.0.0:55143->19780/tcp
nebula-docker-compose-storaged2-1 docker.io/vesoft/nebula-storaged:v3.6.0 "/usr/local/nebula/b…" storaged2 44 seconds ago Up 42 seconds (health: starting) 9777-9778/tcp, 9780/tcp, 0.0.0.0:55139->9779/tcp, 0.0.0.0:55137->19779/tcp, 0.0.0.0:55138->19780/tcp
這裏要注意 nebula-console 這個鏡像對應的服務名 nebula-docker-compose-console-1，用 nebula-console 連接 NebulaGraph 時需要用到它。
在 terminal 繼續執行命令 docker exec -it nebula-docker-compose-console-1 /bin/sh，此時終端需要你輸入 NebulaGraph 的賬號、密碼信息：
./usr/local/bin/nebula-console -u root -p nebula1234 --address=graphd --port=9669
在本文示例中設定賬號 -u 爲 root，密碼 -p 爲 nebula1234。你可以根據自己的喜好，修改爲你記得住的密碼。而上面語句的地址 --address 和端口 --port 直接用默認的 graphd 和 9669 即可。
等你通過賬號和密碼連接上 nebula-console 之後，你便可以進行相關的數據庫操作，比如：你可以看下相關的服務狀態。
可視化工具 NebulaGraph Studio 部署
還是根據文檔：https://docs.nebula-graph.com.cn/3.6.0/nebula-studio/deploy-connect/st-ug-deploy/#docker_studio 走下。
先下載 nebula-studio 的 tar 包：3.8.0 版本，將下載的包放到你的 nebula-docker-compose 文件所在的目錄下。
terminal 在 nebula-docker-compose 目錄的情況下，執行下面的命令、打開對應的 tar 包：
mkdir nebula-graph-studio-3.8.0 && tar -zxvf nebula-graph-studio-3.8.0.tar.gz -C nebula-graph-studio-3.8.0
將 terminla 的目錄切到 nebula-graph-studio-3.8.0 這個目錄下：
cd nebula-graph-studio-3.8.0
如果你查看過 nebula-graph-studio-3.8.0 裏的內容，裏面就一個 .yaml 文件和說明文檔，那如何搞到 nebula-studio 的鏡像呢？下面的命令就是拉取相關的 nebula-studio：
docker-compose pull
現在看下上面命令的執行結果：
現在，我們來啓動下 nebula-studio 服務：在剛纔的 terminla 執行下面的命令
docker-compose up -d
看到下面的 nebula-graph-studio-380-web-1 已經是狀態爲 Started（綠色），
我們可以在瀏覽器終端打開 127.0.0.1:7001 訪問 nebula-stuido：
在 graphd 部分填入你本機真實 IP，賬號和密碼可輸入：root / nebula。至此，恭喜你已經有了玩轉圖數據庫的環境。
10 秒搞定部署安裝
剛我們搞了 Docker 的 NebulaGraph、NebulaGraph Studio 的部署安裝，這裏有一鍵完成之前的捷徑。
前提，你得裝好 Docker Desktop。打開 Docker，看到界面左側的菜單欄有“Extension”：
添加擴展之後，在搜索框裏輸入：Nebula 便能找到對應的 NebulaGraph 擴展：
點擊安裝之後，你便能看到 NebulaGraph Extension 已經安裝在你的 Docker Desktop 裏。點擊【Studio】：
好的 nebula-studio 服務啓動 🎉，再填入相關的信息：graphd /9669，以及賬號和密碼：root / nebula，完成登陸。
綠色通道
下面帶大家走一趟阿里雲計算巢，薅一個付費的企業服務。（注意：填寫完信息之後，需要審覈，審覈結果將會以短信形式發送給你）
先訪問：https://market.aliyun.com/isv-nebulagraph，打開 NebulaGraph 企業版使用界面：
登錄之後，點擊頁面上方的【立即使用】，填寫下相關的信息：
正常情況下，這是需要審覈的：一般是 3 個工作日。不過，這次我們已經打點妥當直接提交信息之後自動審批。等你填完信息之後，前往計算巢服務頁面：https://computenest.console.aliyun.com/service/cn-hangzhou?tabKey=used，在我的服務中找到【我使用的服務】，同下圖：
我們現在開始創建 30 天的免費企業版 NebulaGraph，遇到需要填寫的地方填寫下，已經自動填充默認值的地方直接跳過，畢竟我們是白嫖的企業服務——沒有啥可以選擇的餘地。
下面是需要填寫的信息：
- 服務實例名稱：隨便取個你喜歡的名字；
- Storage 數據盤空間：隨便填個大於 32 小於 16384 的值，這裏我填了 500；
- ECS服務器密碼：填個你記得住的密碼；
- 交換機可用區：選擇默認的第一個可用區；
再勾選下 2 個協議，之後提交下信息：
現在你有了一個 30 天的企業版 NebulaGraph 服務。我們現在去找到它，它還附帶了一個企業版可視化工具 NebulaGraph Explorer。前往服務實例頁面：https://computenest.console.aliyun.com/service/instance/cn-hangzhou?secondTabKey=poc 在我的【試用服務】服務中找到剛纔創建的實例：
往右拉動滾動條，看到該實例的詳情，點擊【詳情】。可以看到對應的實例信息，包括在線可視化探索工具 nebula-explorer 的在線地址：
點擊 nebula-explorer 的在線地址，就能打開 explorer，填入詳情中 graph 服務私有 IP 對應的 ip，以及詳情提到的圖探索服務登陸信息中的賬號和密碼。
至此，你已經可以正常使用可視化圖探索工具來探索 NebulaGraph 了。
下面，開始我們的主菜：探索圖數據庫。因爲 nebula-studio 有較多相似，又不少不同的地方。下面內容無特殊說明，說明二者通用。
探索圖數據庫
草圖構建 Schema
草圖功能是 nebula-explorer 先有，後來再添加到 nebula-studio 的功能。由奢入儉難，我們從比較樸素的開源的 nebula-studio 爲例。
登陸 nebula-studio 之後，在頁面上左上方導航處選中【Schema 草圖】，nebula-explorer 對應的功能在頁面右側、從左往右數第一個圖標。
下面這個是我們本次實踐的圖模型（社區的 contributor 關係圖）：
OK，根據這個圖模型上面的 Schema 信息，我們在草圖中創建下相關的點（圓圈）和邊（一個圓指向另外個圓的連接線）信息：
將 repo、contributor、org 等 3 個 tag 類型信息，以及 PR、屬於 等 2 個 edgetype 類型提交之後，你可以在頁面到對應的 Schema 信息。下圖以 contributor tag 爲例：
點擊右上角的保存圖標保存之後，應用到圖空間——現在，我們要開始創建圖空間了：
至此，我們的 Schema 信息創建完成。
nebula-studio 的小夥伴可直接點擊左側的菜單的 Schema（nebula-explorer 的小夥伴點擊右側菜單從左往右數第二個圖標）查看圖空間信息，等你看到 nebula-contributor 之後，點擊圖空間名，可查看相關的 Schema 信息：
細心的你此時可以對下相關的屬性個數。
導入圖數據
點擊這裏把本次用的 nebula-contributor-dataset2024 數據集下載到本地，放在一個你能找到的目錄下。
解壓縮之後得到 5 個文件：
- tag 點類型數據
- contributor20240110.csv
- repo20240110.csv
- org.csv
- edgetype 邊類型數據
- pr20240110.csv
- belong20240110.csv
上面的數據已經經過處理，我們開始導數環節。nebula-studio 和 nebula-explorer 的數據導入流程相似，下面以 nebula-studio 爲例：
點擊左側導航的【導入】菜單（nebula-explorer 爲右側第三個圖標），進入導數頁面之後我們先上傳本地文件（支持批量上傳），將所有文件上傳到 nebula-stuido 中：
點擊同頁面右側的【導入數據】，進行數據和 Schema 關聯。
以 contributor tag 爲例，將對應的 Schema 屬性信息同源數據進行關聯：
- 標籤：選 contributor
- 關聯文件：選【本地】再選擇 contributor20240110.csv
- VID 列：選 Column 0
- name：選 Column 1
- number：選 Column 2
- merged_time：選 Column 3
- is_vesoft：選 Column 4
- merge_repo：選 Column 5
聰明的你應該發現了，所有的 Schema 和原數據關聯都是順序的——因爲爲了方便：
而邊的關聯稍顯複雜，這裏做個文字描述：
- 邊類型：選 PR
- 關聯文件：選【本地】再選擇 pr20240110.csv
- 起點 VID 列：選 Column 0
- 終點 VID 列：選 Column 1
- number：選 Column 2
- created_time：選 Column 3
- closed_time：選 Column 4
- merged_time：選 Column 5
- is_merged：選 Column 6
- add_lines：選 Column 7
- delete_lines：選 Column 8
- rank：選 Column 2
參考下圖
同理，將其他的 2 個 tag 和 1 個 edgetype 關聯之後，點擊導入按鈕：
輸入你的 NebulaGraph 服務密碼（nebula）。等待數據導入…
等導入任務完成之後，我們去 Schema 頁面看下數據【統計】點擊下【更新】按鈕：
如果你的數據和我的數據相同，說明你已經成功了，我們開始探索圖數據庫。
探索圖數據
現在，我們開始探索下剛導入進去的數據。探索數據之前，我們先創建幾個索引來檢索數據：
依舊是 Schema 頁面，進入圖空間之後，看到【索引】選項，我們需要創建幾個索引：
- 標籤索引
- contributor 它的屬性 is_vesoft 爲索引
- org 索引，可不選屬性
- repo 它的屬性 name 爲索引
- 邊類型索引
- belong 索引，因爲它本身就沒有屬性，直接創建邊索引即可
- PR 的 closed_time 屬性索引
- PR 的 is_merged 屬性索引
等我們創建完所有索引之後，對所有的索引進行【重建索引】。記得所有都得重建完成哦~~
準備工作做完，我們開始探索數據。
如果你是尊貴的企業版用戶（綠色通道用戶），我們直接用 nebula-explorer 的可視化探索（Visual Query），和草圖類似：把 3 個 tag 拖出來，通過邊進行鏈接，在邊上選中邊類型，像下圖這樣：
點擊右上角的【查詢】，你就可以看到相關數據了：
上圖點擊了紅框中的邊聚合，將同類型的邊進行了聚合，看過去非常清爽。
上面的只是簡單查詢了圖模型的對應數據，你可以加一點點篩選條件，比如：“找出非 NebulaGraph 僱員的人的 PR 合併情況”，你可以在 Visual Query 界面加入過篩條件：
執行下看到：
而 nebula-stuido 的用戶不能通過拖拽看到數據，可以前往左上角導航的【控制檯】功能，選擇圖空間爲 nebula-contributor 之後，輸入下面的查詢語句：
MATCH (v0:`contributor`)-[e1:`PR`]->(v2:`repo`)-[e3:`屬於`]->(v1:`org`) RETURN e1,e3 LIMIT 100
得到和 nebula-explorer 類似的結果：
點擊【可視化】，得到下圖類似的可視化結果（因爲查詢時隨機返回 100 條邊，可能你的數據和下圖有出入）：
恭喜，你現在已經會圖探索了。
可能你對文中用到的一些術語感到困惑，記得去讀一讀 NebuleGraph 的文檔：https://docs.nebula-graph.com.cn/3.6.0/
完成本文實操的小夥伴，可以聯繫星雲小姐姐領取限量的春節學圖禮包喲~
下面，放幾個基於本數據集的一些探索圖：
PR 還沒被合併的小夥伴分佈（下圖爲 nebula-explorer 的可視化展示，用上了點的換圖標功能）：
對圖數據庫 NebulaGraph 感興趣？歡迎前往 GitHub ✨ 查看源碼：https://github.com/vesoft-inc/nebula；
想要一起提高文檔的可讀性麼？一起來給『文檔 nGQL 示例添加註釋』吧~請瞄準那條讓人費解的 nGQL 語句，留下你的講解 (///▽///)
點擊下圖瞭解活動詳情 🥹
