Docker 安装 Neo4j 保姆级教程

Docker 安装 Neo4j 保姆级教程

本教程适用于零基础用户,详细讲解如何在 Windows 或 Linux 环境下通过 Docker 安装并配置 Neo4j 图数据库。

Neo4j 官方 Docker 文档

1. 环境准备

2. 创建挂载目录

在宿主机上新建以下目录,用于数据持久化和配置挂载(以 Linux 为例,Windows 可用资源管理器新建文件夹):

mkdir -p /home/neo4j/data /home/neo4j/logs /home/neo4j/conf /home/neo4j/import /home/neo4j/plugins 

Windows 示例:

  • 新建 datalogsconfimportplugins 这五个文件夹。

3. 拉取 Neo4j 镜像

以最新版为例(你也可根据需要指定版本):

docker pull neo4j:latest 

4. 启动 Neo4j 容器

  • Linux Docker run :
docker run -d --name neo4j \ -p 7474:7474 -p 7687:7687 \ -v /home/neo4j/data:/data \ -v /home/neo4j/logs:/logs \ -v /home/neo4j/conf:/var/lib/neo4j/conf \ -v /home/neo4j/import:/var/lib/neo4j/import \ -v /home/neo4j/plugins:/var/lib/neo4j/plugins \ -e NEO4J_AUTH=neo4j/your_secure_password neo4j:latest 
  • Windows Docker run :
docker run -d --name neo4j ^ -p 7474:7474 -p 7687:7687 ^ -v E:/docker/neo4j/data:/data ^ -v E:/docker/neo4j/logs:/logs ^ -v E:/docker/neo4j/conf:/var/lib/neo4j/conf ^ -v E:/docker/neo4j/import:/var/lib/neo4j/import ^ -v E:/docker/neo4j/plugins:/var/lib/neo4j/plugins ^ -e NEO4J_AUTH=neo4j/neo4j@1234 ^ neo4j:latest 
注意:NEO4J_AUTH 的格式必须为 用户名/密码,如 neo4j/123456,不能只写密码,否则会报错。并且密码要超过8个字符,不然也无法启动

5. 访问 Neo4j

浏览器访问 http://localhost:7474,输入用户名 neo4j 和你设置的密码。

6. 配置远程访问(可选)

如需远程访问,需修改 neo4j.conf 文件:

  • 编辑挂载到宿主机的 conf/neo4j.conf 文件,添加或修改如下内容:
# Neo4j 4以下版本追加以下配置 dbms.connector.bolt.listen_address=0.0.0.0:7687 dbms.connector.http.listen_address=0.0.0.0:7474 

如果报错:

E:\docker\neo4j>docker logs -f neo4j Failed to read config /var/lib/neo4j/conf/neo4j.conf: Unrecognized setting. No declared setting with name: dbms.connectors.default_listen_address. Cleanup the config or disable 'server.config.strict_validation.enabled' to continue. Run with '--verbose'for a more detailed error message. 

从 Neo4j 4.x 开始,配置项已经发生较大变更。而你提供的配置中混用了旧版本(如 3.x)和新版本(如 4.x/5.x)的配置项。

server.memory.pagecache.size=512M server.default_listen_address=0.0.0.0 # 设置 Bolt 和 HTTP 端口 server.bolt.listen_address=:7687 server.http.listen_address=:7474 server.directories.logs=/logs 
  • 保存后重启容器:
docker restart neo4j 

7. 常见问题

  • 端口被占用:修改 -p 参数映射到未被占用的端口。
  • 数据持久化:务必挂载 /data 目录,否则容器删除后数据会丢失。
  • 防火墙问题:确保 7474、7687 端口已放行。
  • 首次登录强制修改密码:首次登录后需修改密码。

Read more

【FPGA DDR3 深入理解】之核心篇:Training Process——内存稳定性的灵魂仪式

【FPGA DDR3 深入理解】之核心篇:Training Process——内存稳定性的灵魂仪式

【FPGA DDR3 深入理解】之核心篇:Training Process——内存稳定性的灵魂仪式 引言:为什么需要“训练”? 在FPGA项目中使用DDR3时,很多工程师都有过这样的经历:MIG IP核配置无误,代码仿真完美,但一上板,init_calib_complete 信号却迟迟无法拉高,或者运行时出现随机数据错误。其根源,很大概率在于 DDR3的Training Process(训练过程) 未能成功。 你可以将DDR3想象成一位世界级的田径运动员,而FPGA是他的教练。运动员潜力无限,但若想与教练完美配合,他们必须进行长期的 协同训练 ,以找到最佳的起跑时机、步频和节奏。DDR3训练就是FPGA控制器与DDR3颗粒之间,在上电后自动执行的一套精密“协同训练”流程,目的是 补偿PCB板上的信号传输延迟差异,确保数据被正确采样 。 本文将深入剖析Xilinx FPGA MIG IP核中的DDR3训练过程,带你理解这一确保高速存储稳定性的“灵魂仪式”。 一、 问题的根源:

【花雕学编程】Arduino BLDC 驱动方案 —— MimiClaw(迷你小龙虾)+ ESP32 嵌入式组合机器人

【花雕学编程】Arduino BLDC 驱动方案 —— MimiClaw(迷你小龙虾)+ ESP32 嵌入式组合机器人

这是一套面向无刷电机(BLDC)、高度集成、可快速开发、支持本地智能的机器人开发组合。它将 ESP32 高性能主控 + MimiClaw 智能控制框架 + Arduino 生态易用性 + BLDC 无刷电机驱动 融为一体,是目前创客、实验室、竞赛、小型机器人领域最实用、最稳定、性价比极高的嵌入式机器人方案。 一、核心定义(专业版一句话解释) MimiClaw(迷你小龙虾)+ ESP32是一套基于 Arduino 开发环境、面向 BLDC 无刷电机控制、支持本地智能决策的嵌入式机器人控制系统。它以 ESP32 为硬件核心,以 MimiClaw 为控制大脑,实现无刷电机驱动、传感器融合、自主决策、无线通信、多关节机器人控制一体化。 简单说:ESP32 = 身体与算力MimiClaw = 思考与逻辑BLDC 无刷驱动 = 动力系统Arduino

基于知识图谱的电影推荐问答系统 | Python Django Neo4j MEcharts 大数据 人工智能 deepseek 毕业设计源码

基于知识图谱的电影推荐问答系统 | Python Django Neo4j MEcharts 大数据 人工智能 deepseek 毕业设计源码

博主介绍:✌全网粉丝50W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战8年之久,选择我们就是选择放心、选择安心毕业✌ > 🍅想要获取完整文章或者源码,或者代做,拉到文章底部即可与我联系了。🍅 点击查看作者主页,了解更多项目! 🍅感兴趣的可以先收藏起来,点赞、关注不迷路,大家在毕设选题,项目以及论文编写等相关问题都可以给我留言咨询,希望帮助同学们顺利毕业 。🍅 1、毕业设计:2026年计算机专业毕业设计选题汇总(建议收藏)✅ 2、大数据毕业设计:2026年选题大全 深度学习 python语言 JAVA语言 hadoop和spark(建议收藏)✅ 1、项目介绍 技术栈 以Python为核心开发语言,基于Django框架搭建系统架构,搭配Neo4j图形数据库、MySQL数据库存储数据,整合Echarts可视化工具、协同过滤推荐算法,结合HTML完成前端页面的搭建。 功能模块 * 电影知识图谱管理 * 电影问答交互 * 电影列表展示 * 个人信息查看 * 电影详情展示 * 用户注册登录 * 后台电影数据管理 项目介绍

基于YOLOv10n-SOEP-PST的跟随式助老机器人目标检测与识别系统详解

1. 基于YOLOv10n-SOEP-PST的跟随式助老机器人目标检测与识别系统详解 【CC 4.0 BY-SA版权 版权声明:本文为博主原创文章,遵循版权协议,转载请附上原文出处链接和本声明。 文章标签: 深度学习 同时被 2 个专栏收录 这个损失函数由五个部分组成:边界框坐标损失(前两行)、置信度损失(第三、四行)和分类损失(最后一行)。 λ c o o r d \lambda_{coord} λcoord 和 λ n o o b j \lambda_{noobj} λnoobj 是权重参数,用于平衡不同损失的重要性。 I i j o b j