微信扫码
与创始人交个朋友
我要投稿
近年来,图数据库逐渐成为大数据和人工智能领域的热议话题。特别是随着 GraphRAG 技术的火爆,如何高效存储和查询大规模图数据成为很多开发者关心的问题。出于好奇,我最近尝试了 GraphRAG 并研究其存储结构,因此决定进一步探索图数据库的基本原理与实际运用。在此过程中,我发现了一个颇为有趣的开源项目——NebulaGraph。
https://github.com/vesoft-inc/nebula
NebulaGraph 是一款开源的图数据库,专注于处理拥有千亿个顶点和万亿条边的超大规模数据集。其独特之处在于提供毫秒级查询延时的性能,使其能够在社交媒体、实时推荐、网络安全、金融风控、知识图谱和人工智能等大规模生产场景中广泛应用。
全对称分布式架构:每个节点都是对等的,避免了传统主从结构中的瓶颈问题。
存储与计算分离:提供更强的灵活性和可扩展性。
水平可扩展性:通过增加节点可以轻松扩展数据存储和计算能力。
RAFT 协议下的数据强一致性:数据在多个副本之间保持高度一致。
支持 openCypher:与广泛使用的查询语言兼容,降低学习成本。
用户鉴权:提供细粒度的权限控制。
支持多种类型的图计算算法:适应不同的业务场景和需求。
NebulaGraph 的设计强调高性能、高可用和高扩展性。其核心架构图如下:
克隆官方仓库:
git clone -b release-3.8 https://github.com/vesoft-inc/nebula-docker-compose.gitcd nebula-docker-compose/
使用 Docker Compose 部署:
docker-compose up -d
在 NebulaGraph 中,一个实例可以包含多个图空间,每个图空间是物理隔离的。用户可以在不同的图空间中存储不同的数据集。
一个 NebulaGraph 实例由一个或多个图空间组成。每个图空间都是物理隔离的,用户可以在同一个实例中使用不同的图空间存储不同的数据集。
创建图空间:
CREATE SPACE basketballplayer(partition_num=15, replica_factor=1, vid_type=fixed_string(30));
列出已创建的图空间:
SHOW SPACES;
选择图空间:
USE basketballplayer;
创建 Tag:
CREATE TAG player(name string, age int);CREATE TAG team(name string);
创建 Edge type:
CREATE EDGE follow(degree int);CREATE EDGE serve(start_year int, end_year int);
插入点(Vertices):
INSERT VERTEX player(name, age) VALUES "player100":("Tim Duncan", 42);INSERT VERTEX player(name, age) VALUES "player101":("Tony Parker", 36);INSERT VERTEX player(name, age) VALUES "player102":("LaMarcus Aldridge", 33);INSERT VERTEX team(name) VALUES "team203":("Trail Blazers"), "team204":("Spurs");
插入边(Edges):
INSERT EDGE follow(degree) VALUES "player101" -> "player100":(95);INSERT EDGE follow(degree) VALUES "player101" -> "player102":(90);INSERT EDGE follow(degree) VALUES "player102" -> "player100":(75);INSERT EDGE serve(start_year, end_year) VALUES "player101" -> "team204":(1999, 2018), "player102" -> "team203":(2006, 2015);
使用 nGQL,我们可以轻松地对数据进行查询:
使用 GO 语句:
GO FROM "player101" OVER follow YIELD id($$);
使用 FETCH 语句:
FETCH PROP ON player "player100" YIELD properties(vertex);
使用 MATCH 语句:
MATCH (v:player{name:"Tony Parker"}) RETURN v;
使用 UPDATE 或 UPSERT 语句修改数据:
修改点:
UPDATE VERTEX "player100" SET player.name = "Tim";
修改边:
UPDATE EDGE ON follow "player101" -> "player100" SET degree = 96;
删除点:
DELETE VERTEX "player111", "team203";
删除边:
DELETE EDGE follow "player101" -> "team204";
为 Tag 和 Edge type 创建索引:
创建索引:
CREATE TAG INDEX player_index_1 ON player(name(20));
重建索引:
REBUILD TAG INDEX player_index_1;
基于索引查询数据:
LOOKUP ON player WHERE player.name == "Tony Parker" YIELD properties(vertex).name AS name, properties(vertex).age AS age;MATCH (v:player{name:"Tony Parker"}) RETURN v;
通过以上步骤,您可以顺利开始使用 NebulaGraph 存储和查询大规模图数据。无论是在社交媒体推荐系统还是金融风控领域,NebulaGraph 都能为您提供强大的数据支持。如果您对图数据库感兴趣,不妨一试 NebulaGraph,相信您会从中发现更多有趣的应用场景。
通过对 NebulaGraph 与 GraphRAG 技术的深入探索,我们可以看到图数据库在处理大规模数据集方面有明显的优势。无论是在高效的数据存储、快速的复杂查询,还是灵活的数据建模方面,NebulaGraph 都展示了其强大的能力。而 nGQL 的设计更是让开发者在处理复杂关联数据时更加得心应手。
53AI,企业落地应用大模型首选服务商
产品:大模型应用平台+智能体定制开发+落地咨询服务
承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2024-11-23
DB-GPT V0.6.2 版本更新:牵手libro社区、GraphRAG图谱构建能力增强等
2024-11-22
技术动态 | 如何使用知识图谱改进RAG?
2024-11-22
RAG前沿之RAG–知识图谱构建框架Graphusion:兼看LongRAG双视角检索增强生成范式
2024-11-21
OpenSPG/KAG 新版发布:聚焦用户反馈,大幅优化用户体验!
2024-11-15
大语言模型与图结构的融合:推荐系统中的新兴范式
2024-11-15
利用LLM构建非结构化文本的知识图谱
2024-11-13
GraphRAG:基于PolarDB+通义千问+LangChain的知识图谱+大模型最佳实践
2024-11-13
利用LLM Graph Transformer实现知识图谱的高效构建
2024-07-17
2024-07-11
2024-07-13
2024-08-13
2024-07-08
2024-07-12
2024-07-26
2024-06-10
2024-07-04
2024-06-24
2024-11-22
2024-11-04
2024-10-10
2024-10-03
2024-09-27
2024-09-08
2024-09-05
2024-08-27