leyu·乐鱼(中国)体育官方网站

　　声明：本系列作品是《图数据库（第二版）》的念书条记，实质是笔者消化之后众转述。需求阅读原书的能够自身添置，或者从网站(

　　上一章咱们曾经明了，图是由「节点」和「干系」构成，咱们能够称为联系数据。那么题目就来了，为什么非要用图数据库存储呢？我用干系型数据库、NoSQL数据库存储弗成么？谜底当然是能够的，然则图数据库更适应。

　　干系型数据库是设立正在干系模子根基上的数据库，单纯来说便是指二维外格模子，因此一个干系型数据库便是由二维外及其之间的干系构成的一个数据机合。

　　干系通常产生正在数据外的筑模阶段，动作结合外的格式，常睹的便是外键。然则跟着离群数据（离群值指正在数据中有一个或几个数值与其他数值比拟差别较大）的加添乐鱼体育官网，数据布局的宏观布局会更加的繁杂和不规整，干系模子将酿成大方外毗连、疏落行和非空逻辑检讨，这会遏制功能，并使已有的数据库难以呼应营业需求的转移。

　　下图是一个电商体系一面外安排：用户外 User、订单外 Order、订单-商品外 LineItem、商品外 Product。

　　咱们无妨先判辨下，这种外布局的安排是否合理？用户外和商品外无须置疑，一个主键，其他是周密音信，没有异常联系。然则，订单外需求酌量，为啥还要拆出一个订单-商品外？周密的酌量下，订单需求的苛重音信是订单ID、下单用户、商品数目、总金额、下单时刻、订单形态等音信，而整个买了什么商品并不是很紧张，以是就需求拆分出一张订单-商品的联系外。订单-商品外能够有一个主键（没有本质用处），也能够不要主键。

　　由此可睹，看待强联系的情形下，干系型数据库的显示并不是很好。除此，还存正在营业数据和外键数据混淆、外键统制加添异常本钱、疏落外的空值需求异常检讨等题目。

　　通过上面的三个盘问示例，咱们看到只是盘问三度人脉的期间，SQL语句曾经先河尽头繁杂，而盘问进程的繁杂度也变得很高、盘问作用先河恶化，那么当题目延迟到第四度、第五度乃至第六度干系时呢？

　　NoSQL数据库有良众种，常睹的有键值数据库（Redis、Memcached）、文档数据库（MongoDB、CouchDB）、列数据库（Cassandra、HBase）、图数据库（Neo4J、OrientDB）。这一面苛重指前三种，由于前三种数据库存储的都是无联系的值/文档/列，因而很难将它们用于联系数据和图。这里容易惹起歧义，需求分清这里苛重是指很难用于直接存储数据和干系，并不是不行存储，由于第一节咱们讲过图的存储分原生和非原生，非原生的便是存储正在NoSQL数据库中，比方Titan。

　　看待这几种NoSQL数据库来说，一种广为认知的增添干系的战术便是增添外键，然则云云又需求正在操纵层毗连聚集数据，也会加添异常的价钱。

　　正在图中，咱们确实看到了少许属性值援用了数据库中其他聚集数据，然而将这些援用转化为可导航的布局需求肯定的价钱，由于聚集数据之间的干系并非数据模子中的一等公民--无数聚集存储只是以内嵌映照布局的格式装束正在聚集数据之内。相反，操纵轨范应用数据库时务必从这种扁平的、无联系的数据布局中设立起干系。咱们还务必确保操纵轨范可能跟着数据的转移更新或者删除外部聚集数据。如若不云云做，存储将积攒无用的援用，从而摧毁数据的质地和盘问功能。

　　这种计划另有其它一个弱点。因为没有反向指针（外部聚集援用的指针不是自反的），数据库失掉了运转其他兴味的盘问的才略。比方图中，念要明了谁买了某种商品（基于添置史乘做商品推选），便是一个价钱兴奋的操作。念要惩罚这类题目，咱们需求导出数据集，并正在外部计较框架（如Hadoop）上运转计较来获取结果；或者只可回过头来将外部聚集援用反向插入，随后本领盘问结果。然则无论哪种方式，都不是直接的，而是隐含的。

　　图四是一个基于文档完毕的聚集存储的小型社交汇集。通过这种布局，咱们能够很清楚的找到用户的直接挚友(盘问Bob的挚友)，不需求举行全外扫描。然则当咱们回到 Bob是谁的挚友云云的题目时，就必必要举行全外扫描。当然咱们能够通过增添属性friend_by，来吐露入度干系（friends吐露出度干系），然则云云又加添了数据保卫本钱和存储本钱。

　　当需求惩罚，Alice的挚友的挚友们，或者第四度以及更深的人脉干系时，这种开销就更大了。

　　通过上面的先容，咱们明了了正在干系型数据中，联系干系一样以外键存正在；正在NoSQL数据库中，联系干系一样以键值对存正在；而正在图的天下中，联系数据被肢解存储为联系数据。

　　起初，咱们将用户的添置史乘筑模为联系数据。这正在图中很单纯，只需求将用户和订单链接起来，再将订单和商品链接起来，然后再将订单链接为添置史乘。图五中，咱们能够看到用户曾经订购（PLACED）的整个订单，同时很容易推出没个订单包罗（CONTAINS）哪些商品。通过MOST_RECENT能够找到用户近来的订单，随后沿着PREVIOUS能够回溯到更早的订单。

　　图六的社交汇集中包罗了挚友、爱人/单恋、同事/老板、婚姻等干系，范围上潜正在挚友干系曾经到达六度。图模子等灵敏性，使得咱们能够加添异常的节点和新的干系，同时不影响现有的社交汇集，也不必做数据转移。

　　图中的干系，自然的酿成了途径。盘问图或者遍历图都涉及途径。因为从根蒂上说，数据模子是面向途径的，无数基于途径的图数据库的操作都与数据模子自己体现高度划一性，以是图数据库极为高效。