图数据库批量录入大概有以下几种方法：
- Cypher 语句（create)：适合1-1w节点的场景，速度很慢
- apoc.periodic.iterate 接口 + Cypher Create：（实测）速度较 Cypher 提高十几倍，百万节点导入时间超过1周，无法接受
- neo4j 自带 load csv 语句： 适合1w-10w 节点场景，速度较快（来源网络，未验证）
- apoc.load.csv：利用 apoc 优化过的 load.csv 接口，从csv 文件中间数据导入 neo4j，速度很快，优点是可以在 neo4j 运行时导入数据，（实测）导入速度在 3.5w节点/s（20vCPU+32G内存），百万级的节点导入没有问题
- apoc.periodic.iterate API + apoc.load.csv API ：这两个结合起来使用，速度成几倍提高，具体提高的速度，与batch 大小设置，线程池设置，数据量有关
- Batch Inserter | Batch Import：第三方导入工具，据说适合千万级以上的节点，也是数万节点/s，没有实测，感觉应该跟 apoc.load.csv 差不多
- Neo4j import：neo4j 自研的导入工具，需要 neo4j 数据库离线，不适合日常数据导入，据说速度也是几万/s，应该比在线导入快，对csv文件格式有要求，适合第一次初始化数据
在上一篇文章 Ai解决图数据回环问题 中，使用 Cypher 语句创建关系非常快，但是在节点导入时遇到了速度非常慢的难题，通过上述的 apoc.load.csv 方式，得以解决
代码示例如下
CALL apoc.periodic.iterate("
CALL apoc.load.csv('file:///import/xxx.csv', {
delimiter: ',',
skip: 1,
mapping: {
A: {
labels: ['A'],
properties: {a_id: 'line[0]', b: 'line[1]', c: 'line[2]', d: 'line[3]', e: 'line[4]', f: 'line[5]'}
}
}
}) yield map as row return row
",'
CREATE (u:A) SET u = row
', {batchSize:10000, iterateList:true, parallel:true});
该方法从 xxx.csv 文件中读取数据，跳过第一行（第一行为表头），按照列作为节点属性（a,b,c,d,e）创建节点
batchSize 是一次处理的数据量，iterateList:true 告诉 iterate 从文件中返回的数据作为列表处理，parallel:true 告诉 iterate 按照默认的线程池大小并行的处理数据
该方法并行度高，虽然apoc 的底层也是调用 Cypher 语句，但是 load.csv 是根据导入任务进行过优化，同时提高并行度来增加导入带宽，从而大大提高导入速度
