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

《Java 后端转 Web3 实战路线图》:这是我见过成功率最高的一条转型路径

前言 如果你是 Java 后端, 你可能已经意识到一个现实问题: Web2 的红利,正在消失。 而 Web3,正在重复 10 年前云计算、移动互联网的早期阶段。 但问题是: Java 后端,真的适合转 Web3 吗? 答案是: 不仅适合,而且是 Web3 最稀缺的人群之一。 一、一个先纠正的误区:Web3 ≠ Solidity 很多 Java 工程师对 Web3 的第一反应是: “我是不是要去学 Solidity? 不会写合约是不是没戏?” 这是最大的误区。 现实中的 Web3 技术结构是这样的: 70%:链下系统(后端 / 架构 / 风控 / 数据) 20%:合约 10%

人脸识别技术演进:从Facenet到ArcFace的精度飞跃

人脸识别作为计算机视觉领域最具落地价值的任务之一,核心目标是从图像中精准提取人脸特征,实现身份的快速核验与识别——如同为每个人的面部打造专属“数字身份证”,既要确保不同场景下“身份证”的唯一性,又要抵御姿态、光照、表情变化带来的干扰,实现“精准识别”与“鲁棒性”的双重目标。从首次将深度学习与度量学习结合的Facenet,到彻底解决特征聚类问题的ArcFace,人脸识别技术历经了从“可识别”到“高精度识别”的革命性跨越。前者打破了传统方法的性能瓶颈,后者则将特征区分能力推向新高度,二者共同构建了现代人脸识别技术的核心框架。本文将从技术原理、核心模型解析、前沿进展、现存挑战及未来展望五个维度,系统梳理技术演进脉络与优劣差异,为实践选型与创新研究提供参考。 一、核心背景:人脸识别的“困境与技术本质” 人脸识别的应用场景贯穿安防监控、身份核验、智能终端、金融支付等多个领域,但真实场景中的干扰因素始终制约着识别精度——例如姿态偏转(侧脸、仰头)、光照变化(逆光、弱光)、表情波动(大笑、皱眉)

MacOS 安装 OpenClaw 并接入飞书机器人(保姆级教程 + 常见问题解决)

MacOS 安装 OpenClaw 并接入飞书机器人(保姆级教程 + 常见问题解决)

MacOS 安装 OpenClaw 并接入飞书机器人(保姆级教程 + 常见问题解决) 在 AI Agent 和自动化工具越来越普及的今天,越来越多开发者希望拥有一个 能够自动处理任务、接入团队协作工具的 AI 助手。 最近OpenClaw火的一塌糊涂,我也跟风研究了一下这个开源项目。它可以理解为一个 可扩展的 AI Agent 框架,支持接入各种工具、自动执行任务,并且可以和企业协作平台(如飞书)打通,实现 AI 自动回复、自动化工作流。 本文将带大家 从 0 开始,在 MacOS 上安装 OpenClaw,并接入飞书机器人。 同时我也整理了自己在安装过程中遇到的 终端报错问题与完整解决方案,让你一次性避坑。 本文包含: * MacOS 安装 OpenClaw * 接入飞书机器人 * 配置开机自启 * 终端报错解决(

实测Z-Image Turbo画板:小显存也能跑大图,AI绘画不再卡顿

实测Z-Image Turbo画板:小显存也能跑大图,AI绘画不再卡顿 1. 这不是又一个WebUI,而是一次显存自由的体验革命 你有没有过这样的经历: 刚下载好AI绘画工具,满怀期待点开界面,输入“赛博朋克少女”,按下生成—— 进度条卡在87%,显存占用飙到98%,风扇开始咆哮,屏幕突然一黑…… 再刷新,报错:CUDA out of memory。 关掉所有程序重试,结果还是黑图、崩坏、NaN值、白边、肢体错位…… 最后只能默默打开手机相册,把“灵感”截图发给朋友:“你看,我脑子里真有这画面。” 这不是你的电脑不行,也不是你不会写提示词。 这是传统扩散模型和粗糙WebUI共同制造的“显存焦虑”。 而今天实测的 ** Z-Image Turbo 本地极速画板**,彻底绕开了这个死循环。 它不靠堆显存硬扛,不靠降低分辨率妥协,也不靠删功能减负—— 它用一套从底层到界面的协同优化,让一台RTX 3060(