Um banco de dados de grafos open source, distribuído e escalável horizontalmente, com consultas compatíveis com OpenCypher e consistência baseada em Raft.
aws-samples/amazon-neptune-samples
Coleção de aplicações de exemplo, código e documentação que mostram como desenvolver com o banco de dados de grafos Amazon Neptune e o Neptune Analytics.
- Estrelas
- 370
- Forks
- 137
- Issues abertas
- 1
- Último commit
- anteontem
O que é?
Este repositório reúne projetos de exemplo que demonstram como usar o Amazon Neptune Database e o Amazon Neptune Analytics. Abrange modelagem de dados em grafos, pipelines de carregamento e ETL, consultas Gremlin, openCypher e SPARQL, conexão de clientes, ingestão de dados em streaming com Kinesis e Flink, além de visualização com bibliotecas como Ogma e VIS.js.
Os exemplos vão de tutoriais pequenos e independentes, como uma cola de consultas openCypher e um exemplo de filtragem colaborativa em Gremlin, a aplicações completas, como um chatbot de grafo de conhecimento criado com Amazon Comprehend e Amazon Lex e um fluxo de trabalho de detecção de fraude com Neptune ML. Cada subprojeto é mantido como código de exemplo no modelo de melhores esforços e pode precisar de alterações antes de ser usado em produção.
A página também lista ferramentas relacionadas ao Amazon Neptune e outros repositórios de exemplos da AWS, incluindo Neptune Gremlin Client, Neptune Export, Graph Notebook e um driver JDBC.
Recursos principais
- 01Código de exemplo para Neptune Database e Neptune Analytics
- 02Exemplos de consultas Gremlin, openCypher e SPARQL
- 03Pipelines de carregamento de dados e ETL de fontes relacionais e do AWS Glue
- 04Exemplos de ingestão de dados em streaming com Kinesis, Lambda e Managed Service for Apache Flink
- 05Demonstrações de visualização de grafos com Ogma e VIS.js
- 06Links para ferramentas relacionadas ao Neptune e projetos de exemplo da AWS
Casos de uso
- Aprender a modelar e consultar grafos de propriedades ou dados RDF no Amazon Neptune
- Criar protótipos de uma aplicação de grafo de conhecimento ou de detecção de fraude na AWS
- Conectar aplicações Java, Node.js ou Python ao Neptune usando IAM ou SSL
- Migrar dados relacionais para um banco de dados de grafos na AWS
Antes de usar
- Os projetos são códigos de exemplo mantidos conforme a disponibilidade.
- É provável que sejam necessárias modificações antes de implantar qualquer exemplo em produção.
Tópicos
Perguntas frequentes
- O que é amazon-neptune-samples?
- Coleção de aplicações de exemplo, código e documentação que mostram como desenvolver com o banco de dados de grafos Amazon Neptune e o Neptune Analytics. Este repositório reúne projetos de exemplo que demonstram como usar o Amazon Neptune Database e o Amazon Neptune Analytics. Abrange modelagem de dados em grafos, pipelines de carregamento e ETL, consultas Gremlin, openCypher e SPARQL, conexão de clientes, ingestão de dados em streaming com Kinesis e Flink, além de visualização com bibliotecas como Ogma e VIS.js.
- amazon-neptune-samples é gratuito? Qual é a licença?
- amazon-neptune-samples é open source sob a licença MIT-0. Confira os termos da licença antes de usá-lo em produtos comerciais.
- amazon-neptune-samples ainda é mantido?
- Manutenção ativa. O último commit de amazon-neptune-samples foi em 5 de nov. de 2026.
- Para que posso usar amazon-neptune-samples?
- Aprender a modelar e consultar grafos de propriedades ou dados RDF no Amazon Neptune Criar protótipos de uma aplicação de grafo de conhecimento ou de detecção de fraude na AWS Conectar aplicações Java, Node.js ou Python ao Neptune usando IAM ou SSL Migrar dados relacionais para um banco de dados de grafos na AWS
- Onde consigo amazon-neptune-samples?
- O código-fonte e as instruções de instalação estão no GitHub: https://github.com/aws-samples/amazon-neptune-samples
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Projetos relacionados
Banco de dados de grafos que armazena adjacências como matrizes esparsas e consulta com OpenCypher, voltado a grafos de conhecimento para cargas de trabalho de LLM e GraphRAG.
Um mecanismo em Rust para planejar, aplicar e certificar alterações em ontologias OWL/RDF, com relatórios de raio de impacto e provas verificáveis de conclusões derivadas em Lean 4.
Plataforma open source de memória para IA que transforma documentos, código e conversas em um grafo de conhecimento self-hosted para agentes de IA.
Framework Python para criar grafos de conhecimento temporais que acompanham mudanças nos fatos ao longo do tempo, usados como memória e contexto para agentes de IA.
Banco de dados de grafos distribuído e escalável horizontalmente, com interface de consulta GraphQL nativa e transações ACID.