参考:https://github.com/vesoft-inc/nebula-python/blob/master/example/GraphClientSimpleExample.py

文档：https://docs.nebula-graph.com.cn/3.4.1/3.ngql-guide/7.general-query-statements/2.match/#_4

pip install nebula3-python

1）查询的节点，再把这头节点再查一度范围的节点

MATCH p=(n)-[*3]->(m) WHERE id(m) == '39f1e6f***d2c4b06e2' WITH DISTINCT id(n) AS startNodeId, p MATCH (n)-[r]->(o) WHERE id(n) == startNodeId RETURN id(n), p, r, o LIMIT 600;

2）通过属性查询节点信息；

MATCH (rt:ResourceTopology {ip:"75.234.9.39"}) RETURN  rt;
或
MATCH (rt:ResourceTopology ) WHERE rt.ResourceTopology.ip == "75.234.9.39" RETURN rt;

或

LOOKUP ON ResourceTopology WHERE ResourceTopology.ip =="75.234.9.39" YIELD id(vertex) as vid,ResourceTopology.ip,ResourceTopology.app_id,ResourceTopology.creation_time;

3）查询节点间最短路劲
https://docs.nebula-graph.com.cn/3.4.1/3.ngql-guide/7.general-query-statements/2.match/#_4

e*…5 表示路径中边的数量最多为 5

MATCH p = shortestPath((a:AlarmTag{ip:"75.234.23.167"})-[e*..5]-(b:ResourceTopology))  WHERE id(b) == "1a5a0a0b74416a3b624500853ca07a35" RETURN p;
或
MATCH p = shortestPath((a)-[e*..5]-(b:ResourceTopology))  WHERE id(a) == "39f1e6f80f75bd1fc48e928d2c4b06e3" AND id(b) == "1a5a0a0b74416a3b624500853ca07a35"RETURN p;

报错：Error found in optimization stage: IndexNotFound: No valid index found
nebula查询具体属性的话需要先对该属性创立索引，
1）给AlarmTag类型节点的ip创建索引 CREATE TAG INDEX IF NOT EXISTS ip_index_1 ON AlarmTag(ip(20));
2）加载生效 REBUILD TAG INDEX ip_index_1;
3）SHOW JOB 8;查看结果

代码：

from nebula3.gclient.net import ConnectionPool
from nebula3.Config import Config

config = Config() # 定义一个配置
config.max_connection_pool_size = 10 # 设置最大连接数
connection_pool = ConnectionPool() # 初始化连接池
# 如果给定的服务器是ok的，返回true，否则返回false
ok = connection_pool.init([('192.1**', 9669)], config)


# 方式1：connection pool自己控制连接释放
# 从连接池中获取一个session
session = connection_pool.get_session('root', 'n')
session.execute('USE topology_space') # 选择space


# results  = session.execute(
#             "MATCH p=(a)-[*3]->(b) where id(a) == '04d690ad942998ea7ed2b74decd7fe9c'  RETURN p limit 105;"
#         )


results  = session.execute("MATCH p=(n)-[*3]->(m) WHERE id(n) == '693a18da69f5d3d4e3caa4cf09610d29'  RETURN p LIMIT 600;")

results.column_values(“p”)

results.row_values(14)[0]
results.as_data_frame()

查询结果为json：

results1 = session.execute_json("MATCH p=(n)-[*3]->(m) WHERE id(n) == '693a18da69f5d3d4e3caa4cf09610d29'  RETURN p LIMIT 600;")

import json
print(len(json.loads(results1)["results"][0]["data"]))
json.loads(results1)["results"][0]["data"][0]

json.loads(results1)["results"][0]["data"][14]

这个查询结果来自一个图数据库，表示了一个包含顶点和边的图形结构。在这个结果中，meta 和 row 是两个主要的部分。

1. meta 部分：它描述了图形中的顶点和边的信息。每个元素（顶点或边）都有一个 type 属性来表示它是顶点还是边，以及一个 id 属性来唯一标识它。对于边，还有额外的属性，如 ranking、name、type、dst（目标顶点ID）和 src（源顶点ID）。

在这个例子中，meta 包含了以下顶点和边：

• 顶点1（ID：693a18da69f5d3d4e3caa4cf09610d29）
• 边1（ID：由排名、名称、类型、目标顶点和源顶点组成）
• 顶点2（ID：4f6d483d823c74e1838cc5c0d02152f9）
• 边2（ID：由排名、名称、类型、目标顶点和源顶点组成）
• 顶点3（ID：46a51ed199f4d362d442e5a56d79fbe3）
• 边3（ID：由排名、名称、类型、目标顶点和源顶点组成）
• 顶点4（ID：19@159_183_110_127）

2. row 部分：它包含了与 meta 中描述的顶点和边相关联的数据属性。这些属性以字典的形式存储，其中键是属性名，值是属性值。

在这个例子中，row 包含了以下数据：

• 与顶点1相关的属性（如 ResourceTopology.name、ResourceTopology.status 等）
• 与边1相关的属性（如 relationship_type、app_id 等）
• 与顶点2相关的属性（如 ResourceTopology.hostname、ResourceTopology.ip 等）
• 与边2相关的属性（如 line_type、source_port 等）
• 与顶点3相关的属性（如 ResourceTopology.hostname、ResourceTopology.ip 等）
• 与边3相关的属性（为空）
• 与顶点4相关的属性（如 Ip.app_id、Ip.ip 等）

总之，这个查询结果展示了一个包含多个顶点和边的图形结构，以及这些顶点和边所关联的数据属性。这种结构可以用于表示复杂的网络关系、资源拓扑等场景。

json.loads(results1)["results"][0]["data"][14]["meta"]
json.loads(results1)["results"][0]["data"][14]["row"]