白话大数据 | 关于图数据库，没有比这篇更通俗易懂的啦

作者：星环科技

2022 年 4 月 03 日
本文字数：2820 字
阅读完需：约 9 分钟

近年来图数据库越来越火，讨论的话题也越来越多，但很多小伙伴还不清楚图数据库到底是个啥？和传统关系型数据库有什么区别？具体又有什么特点？那今天小编将通过有个男人叫小帅的故事来给大家通俗易懂地介绍下什么是图数据库。

长话短说，故事正式开始

什么是图数据库

从前，有个男人叫小帅，他有个弟弟叫小强，他们有个漂亮的邻居叫小美，他们三个在同一所学校读书。小帅喜欢小美，小强也喜欢小美，但小美不喜欢小强，小美喜欢的人是小帅。

没关系，我们画一张简单的图来帮大家理清一下关系。

看了上面这张图，有没有一种拨开云雾的赶脚，感觉整个世界都清晰了？

那其实这里我们是用了图结构来表达数据。图是由节点和关系两个元素组成的，每个节点代表一个实体，例如人，地，事物，类别等，每个关系代表两个节点的关联方式。

那图数据库就是一种使用图结构进行存储和查询的数据库，其中节点和边用于对数据进行表示和存储。

常用的图模型有 2 种，分别是属性图（Property Graph）和资源描述框架（RDF），现在较为知名的图数据库主要是基于属性图，也就是我们上面画的那张图。

属性图由顶点（圆圈）、边（箭头）、属性（key:value）组成。以上面我们画的图为例，三个顶点都有一个标签是 student，同时还有属性 name，属性值分别是小帅，小强，小美。顶点之间的边表示了他们的关系，哥哥，弟弟，喜欢。如果两人之间的边是双向的，说明两人有相互关系，如果是单向的……

图数据库与传统关系型数据库的区别

小帅和小美两个人平时在学校都是分开上课，接触的机会不多。为了增加和小美相处的机会，小帅想和小美选一样的课，那他们就可以天天在一起了。但小帅又不想直接问小美选什么课，他想以偶遇的方式和小美在课堂上遇见。

为了了解小美选课情况，小帅首先想到的是用传统关系型数据库进行查询。

在关系型数据库中，我们一般需要建立学生信息表，学生和课程对应关系表，课程信息表。

小帅想查询小美选了哪些课，需要分 3 步：

第一步 a，通过学生信息表找到小美对应的学号 18；

第二步 b，使用学号去学生和课程对应关系表中找到小美选课的课程 ID，如 118，123，145；

第三步 c，使用课程 ID 在课程信息表中找到对应的课程名称等信息，如大数据，计算机，云计算。

第一步 a 需要一次索引查找过程，第二步 b 也需要一次索引查找，第三步 c 需要 3 次索引查找。大学里有几万名学生，小美又是个学霸，选了很多很多的课，那么学生和课程对应关系表的记录会非常多，通过表与表之间的 JOIN 操作会带来大量系统性能的损耗，同时会消耗很多时间，查询效率比较低，有时甚至无法返回结果。

所以说，这种情况使用关系型数据库不是不行，只是表形式不擅长描述数据之间的某些特定的复杂关系。

于是，小帅又想到了最近比较火的图数据库，那让我们看看图数据是怎么查询的。

图数据库与关系型数据库的建模方式不同，所以在图数据库中查询就没那么复杂了。在图数据库中，学生和课程都在同一张图中，小美和三门课程都是节点，分别带有标签 Student 和 Course，他们之间通过属性为选课的边建立关联关系。

小帅在查找小美选课情况时也是分为 3 步：

第一步 A，通过在学生标签 student 上建立的索引来找到小美对应的节点；

第二步 B，再通过节点保存的标签为选课的边来找到对应的课程；

第三步 C，读取选课课程信息。

虽然图数据库的查询也是分为 3 步，但效率却大大提高。第一步和传统关系型数据库一样，第二步无需进行索引查找，直接可以通过节点获取，虽然节点存在不同标签的边，但跟学生和课程对应关系表的记录数肯定不是一个数量级的，尤其是在海量数据的情况下，图数据库表现出的性能更加优异，小帅通过图数据库进行数据查询与分析的速度更快。

图数据库的优势

小美有个闺蜜叫大漂亮，大漂亮喜欢小帅的弟弟小强。于是小帅和小美想撮合小强和大漂亮，他们给小强和大漂亮制造了很多相处的机会。经过一段时间的相处，小强逐渐对大漂亮产生了好感。

我们只需在之前的属性图上添加大漂亮这个节点和其与小美、小强的关联边就可以了。

那从上面的介绍你现在知道图数据库有什么优势了么？

与传统关系型数据库相比，图数据库有以下优势：

天然解释性：通过用属性图来表达小帅等人以及他们之间的关系，我们可以发现图数据库具有天然解释性。用户可以很自然的表达现实世界中的实体及其关联关系（对应图的顶点及边）。

高性能：从小帅通过传统关系型数据库和图数据库进行选课查询可以发现，图数据库在数据关联关系查询中具有更高的性能。传统关系型数据库多个表之间连接操作、外键约束，导致较大的额外开销。而图模型固有的数据索引结构，使得它的数据查询与分析速度更快。

灵活性：从大漂亮这个实体以及其关系很自然地融入当前数据中，我们发现图数据灵活的数据模型可以适应不断变化的业务需求，任意添加或删除顶点、边，扩充或者缩小图模型这些都可以轻松实现。

星环科技分布式图数据库 StellarDB

鉴于图数据库在数据关系查询方面的优势，小帅决定采用图数据库的方式来查询小美的选课信息，但市面上有那么多图数据库，到底用哪个让小帅很为难。

图数据库根据底层存储实现的不同，可分为原生图数据库和非原生图数据库。

原生图数据库：使用图模型进行数据存储，可以针对图数据做优化，从而带来更好的性能。

非原生图数据库：底层存储使用非图模型进行存储，在存储之上封装图的语义，进行图处理，其优点是易于开发，适合产品众多的大型公司，形成相互配合的产品栈。

目前，国外图数据库市场上开源、商用图数据库并驾齐驱，其中开源图数据库有 Neo4j、JanusGraph、ArangoDB 等，商用图数据库有 Neptune（亚马逊）、Cosmos（微软）、TigerGraph 等。而国产图数据库产业也在蓬勃发展，其中一款优秀的国产图数据库产品引起了小帅的注意，那就是星环科技图数据库 StellarDB。

Transwarp StellarDB 是星环科技自主研发的企业级分布式图数据库，兼容 openCypher 查询语言，提供海量图数据的存储和分析能力，最大可支持百亿级点、万亿级边的存储，可存储的图数据量可以达到 PB 级别。此外，对点、边和属性的检索和查询延时可以做到毫秒级。StellarDB 还内置二十余种图分析算法和深度图算法，可用于通用的图分析业务场景。