Neo4j如何使用Data Fabric技术编织万亿图数据

2023-12-27 07:30

本文主要是介绍Neo4j如何使用Data Fabric技术编织万亿图数据,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Neo4j如何使用Data Fabric技术编织万亿图数据

  • Neo4j如何使用Data Fabric技术编织万亿图数据
    • 一、数据编织(Data Fabric)
    • 二、Neo4j Fabric简介
    • 三、Fabric数据建模
      • 3.1 数据建模
      • 3.2 数据联邦
      • 3.3 数据分片
    • 四、使用 Fabric Cypher 查询数据
      • 4.1 跨数据分片查询
      • 4.2 数据联邦和数据分片同时并行查询
    • 五、总结

Here’s the table of contents:

Neo4j如何使用Data Fabric技术编织万亿图数据

一、数据编织(Data Fabric)

    为了解决超级大图数据存储的问题,我们必须寻找一个分布式的解决方案。图数据库领域最流行的是基于点分割和边分割的分布式存储方案,例如Nebula Graph、HugeGraph等图数据库,采用点分割的图数据库一般较容易带来数据一致性的问题,所以边分割方案使用的更多。

    采用传统的分布式存储技术可以实现在多台服务器上存储超大规模的图数据,但是随之而来的是GQL运行时带来的大量网络通信对于性能的消耗,而且大部分这种方案的图数据库不支持ACID事务(但这对于不需要事务特性的场景可以忽略,例如Elasticsearch的使用,需要说明的是ES在同一索引存储超大量数据也会带来性能问题,于是索引就有为什么会推荐每个分片数据最好在30~50G之间)。

    在区块链领域Fabric是超级账本联盟推出的核心区块链框架,它适合在复杂的企业内和企业间搭建联盟链。根据超级账本联盟的目标, Fabric 被建设为一个模块化的、支持可插拔组件的基础联盟链框架。

    世界领先的图数据库Neo4j支持存储超大规模图数据,为了实现这一操作,Neo4j从4.0开始引入了数据编织理念(Data Fabric)。该Fabric架构支持存储超大规模的图数据的同时不带来查询性能的急剧下降。这确实是一个非常特别的架构!

二、Neo4j Fabric简介

  • Neo4j Fabric是什么?

    Fabric是在Neo4j 4.0版本中引入的一种在多个数据库存储和检索数据的方法。无论这些数据库是在同一个Neo4j数据库管理系统上还是在多个数据库管理系统中,均使用单个Cypher进行查询。Fabric实现的主要目标:

  1. 本地和分布式数据的统一视图,可通过单个客户端连接和用户会话访问
  2. 提高了读/写操作、数据量和并发性的可扩展性
  3. 预估在正常操作、故障转移或其他基础架构更改期间执行查询的响应时间
  4. 高可用性,大数据量无单点故障

    实际上,Fabric为以下各项提供了基础功能和工具:

  1. 数据联合(datafederation):以不连接的图的形式,获取分布式数据源的可用数据的能力。
  2. 数据分片(datasharding):以分割在多个数据库中公共图的形式,获取分布式数据源的可用数据的能力。

    使用Fabric时,Cypher查询可以在多个联合图和分片图中存储和检索数据。

  • Neo4j Fabric到底是不是分布式技术?

    为了弄明白这个问题,我们先来看一下分布式的定义:

在这里插入图片描述

    通过阅读分布式的百科定义,我们可以确信这是一种分布式技术!😃

  • Neo4j Fabric是如何部署的?

    Neo4j通过Fabric节点来关联其它数据库节点,该节点不存储任何数据,部署拓扑图如下(无单点故障的Fabric部署架构,将绿色节点看作Fabric Virtual Database):

在这里插入图片描述

    关于更多Neo4j Fabric部署相关信息可以参考官网的说明。

三、Fabric数据建模

    我们以公司的销售数据为例进行Fabric数据建模,数据包括客户、产品、产品分类、客户订单、供应商等信息。

3.1 数据建模

  • 在同一Neo4j集群或者Neo4j单节点部署下,数据建模:

    节点标签:Product、:Category、:Supplier、:Order、:Customer;
    关系类型:SUPPLIES、:PART_OF、:ORDERS、:PURCHASED

在这里插入图片描述

    在同一Neo4j集群或者Neo4j单节点部署下,数据建模与一般图数据建模过程没有区别。

  • 在多个Neo4j集群或者多个Neo4j单节点部署下,Fabric数据建模:

    在这个模式下,我们假定需要将产品分类和客户订单数据分区存储(存放在不同的Neo4j集群),而且客户数据需要两个分区(例如客户数据分别存储在上海、北京的Neo4j数据库)。我们来看一下将数据模型解构后的样子:
在这里插入图片描述

3.2 数据联邦

    2.1说明了Fabric数据建模的样例,在这个样例中产品和客户数据位于两个不相交的图中,具有不同的标签和关系类型。要对这两个图进行查询我们必须进行数据联邦。为了保证数据可以联邦,这里我们对产品节点设计一个产品ID的字段,在查询时保证不同图中具有相同的ID即可。

在这里插入图片描述

3.3 数据分片

    刚才的建模中,我们假定用户信息被存储在两个地理区域不同的Neo4j集群,它们也是不相交的,但是数据模型完全一致。这样的建模我们称之为数据分片

在这里插入图片描述

四、使用 Fabric Cypher 查询数据

    由于这篇文章的目的是重点解释Neo4j Fabric技术实现思路,因此跳过了一些数据导入、数据库配置的细节信息,有兴趣的小伙伴可以去官网复现文中提到的案例。
    Set up and use Fabric

4.1 跨数据分片查询

    查询表示从编号为1和2的两个Neo4j集群中同时查询客户信息,并返回前五个客户的信息。

// 跨分片查询
UNWIND [1,2]AS gid
CALL {USE fabricnw.graph(gid)MATCH (c:Customer)WHERE c.customerID STARTS WITH 'A'RETURN c.customerID AS name, c.country AS country
}
RETURN name, country
LIMIT 5;

4.2 数据联邦和数据分片同时并行查询

    查询使用所有 3 个Neo4j集群来查找购买了禽肉类产品的所有客户。
    首先,fabricnw调用数据库db0(fabricnw.product)来检索禽肉类别中的所有产品,并返回产品ID。然后并行查询db1和db2,获取购买了这些产品的客户及所属国家信息。

// 获取产品ID
CALL {
USE fabricnw.product
MATCH (p:Product{discontinued:true})-[:PART_OF]->(c:Category{categoryName:'Meat/Poultry'})RETURN COLLECT(p.productID) AS pids
}
// 拿到DB1和DB2编号,不包括DB0
WITH *, [g IN fabricnw.graphIds() WHERE g<>0] AS gids
UNWIND gids AS gid
// 并行查询DB1和DB2,DB1和DB2为数据分片关系
CALL {USE fabricnw.graph(gid)WITH pidsUNWIND pids as pidMATCH (p:Product{productID:pid})<-[:ORDERS]-(:Order)<-[:PURCHASED]-(c:Customer)RETURN DISTINCT c.customerID AS customer, c.country AS country
}
RETURN customer, country
LIMIT 20;

五、总结

    Neo4j Fabric技术虽然支持大规模数据存储的同时保证性能不会急剧下降,但是数据建模、数据生产变得更加复杂了。不过总体来说,数据建模和数据生产的复杂性是可以接受的。
    通过上面的介绍我们已经明白了,在一个Fabric集群中如何进行数据联邦和数据分片。相对应的,为了让Neo4j的其它版本或者分支版本(ONgDB)支持类似Fabric的查询,我们可以自定义组件的方式支持(有实力购买企业版的可以忽略)。

这篇关于Neo4j如何使用Data Fabric技术编织万亿图数据的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/542327

相关文章

Java学习手册之Filter和Listener使用方法

《Java学习手册之Filter和Listener使用方法》:本文主要介绍Java学习手册之Filter和Listener使用方法的相关资料,Filter是一种拦截器,可以在请求到达Servl... 目录一、Filter(过滤器)1. Filter 的工作原理2. Filter 的配置与使用二、Listen

Pandas使用AdaBoost进行分类的实现

《Pandas使用AdaBoost进行分类的实现》Pandas和AdaBoost分类算法,可以高效地进行数据预处理和分类任务,本文主要介绍了Pandas使用AdaBoost进行分类的实现,具有一定的参... 目录什么是 AdaBoost?使用 AdaBoost 的步骤安装必要的库步骤一:数据准备步骤二:模型

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

使用Pandas进行均值填充的实现

《使用Pandas进行均值填充的实现》缺失数据(NaN值)是一个常见的问题,我们可以通过多种方法来处理缺失数据,其中一种常用的方法是均值填充,本文主要介绍了使用Pandas进行均值填充的实现,感兴趣的... 目录什么是均值填充?为什么选择均值填充?均值填充的步骤实际代码示例总结在数据分析和处理过程中,缺失数

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

解决Maven项目idea找不到本地仓库jar包问题以及使用mvn install:install-file

《解决Maven项目idea找不到本地仓库jar包问题以及使用mvninstall:install-file》:本文主要介绍解决Maven项目idea找不到本地仓库jar包问题以及使用mvnin... 目录Maven项目idea找不到本地仓库jar包以及使用mvn install:install-file基

Spring 请求之传递 JSON 数据的操作方法

《Spring请求之传递JSON数据的操作方法》JSON就是一种数据格式,有自己的格式和语法,使用文本表示一个对象或数组的信息,因此JSON本质是字符串,主要负责在不同的语言中数据传递和交换,这... 目录jsON 概念JSON 语法JSON 的语法JSON 的两种结构JSON 字符串和 Java 对象互转

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

C 语言中enum枚举的定义和使用小结

《C语言中enum枚举的定义和使用小结》在C语言里,enum(枚举)是一种用户自定义的数据类型,它能够让你创建一组具名的整数常量,下面我会从定义、使用、特性等方面详细介绍enum,感兴趣的朋友一起看... 目录1、引言2、基本定义3、定义枚举变量4、自定义枚举常量的值5、枚举与switch语句结合使用6、枚

使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)

《使用Python从PPT文档中提取图片和图片信息(如坐标、宽度和高度等)》PPT是一种高效的信息展示工具,广泛应用于教育、商务和设计等多个领域,PPT文档中常常包含丰富的图片内容,这些图片不仅提升了... 目录一、引言二、环境与工具三、python 提取PPT背景图片3.1 提取幻灯片背景图片3.2 提取