Titan图数据介绍

Titan是一个基于图的数据库。他同样属于现在比较热火的NoSQL中的一类。使用Titan的基本业务场景就是构建关系图谱。相比于Titan数据库,我们可能更加熟悉Neo4j这个数据库。Neo4j也是一款图数据,切应用范围也相当广泛。在比较过两款数据库后,Titan成为了我们选择。主要有以下几点考量:

1:Titan数据库能够存储的数据节点规模更加庞大

2:在大规模数据量下,Titan的性能不受单机物理性能影响

3:Titan是分布式、高可用,开源且有公司在维护

Titan官网地址:http://thinkaurelius.com/

Titan项目托管在Github上面:https://github.com/thinkaurelius/titan

Titan开发者社区:https://groups.google.com/forum/#!forum/aureliusgraphs

本篇Blog主要以介绍Titan为主,后续将补充相应的技术文档。

Titan社区目前是一个非常火爆的技术论坛社区,从论坛的活跃情况可以看出,Titan正在被越来越多的公司所使用,其中不乏Cisco、Facebook、Twitter,大量的使用者不仅促进了它的发展,也不断的在完善Titan。目前Titan已经可以说已经成为一个稳定的图数据库了,然而Titan尚且还是一个年轻的图数据库,在学习理解Titan的过程还是要迎接一定挑战。

系统介绍下Titan的好处:

1:支持在多台机器上运行大规模图形数据库

2:支持数据实时查询,事务控制

3:支持丰富的检索规则,包括全文检索、GEO检索等

4:支持Gremlin这个图数据的Domain Query Language,通过编写QL即可完成检索工作

5:点边数据结构、避免关系网络中递归遍历的计算,实现快速关系检索

6:开源代码、分布式、高可用

时间: 2024-08-08 19:02:28

Titan图数据介绍的相关文章

图数据存储初见

在<图数据挖掘——基本概念>一文中详细的讲了图数据的基本概念,并在<图数据挖掘之图信息获取及存储>一文中描述了图的信息获取,但并没有对图数据的存储进行详细的介绍,该篇将就图数据存储给大家介绍一下,如有不对之处希望多多指出! 我们都知道图数据主要的信息是节点.边和权重,如何存储这些信息是至关重要的,同时采用何种存储结构对图的还原影响非常大.今天将介绍两种图的存储方式:1)关系数据库存储 2)关系数据库+文本. 1)关系数据库存储 如上面的图,我们知道其中有V1.V2.V3. V4.

4D数据介绍

转自青椒炒蛋:http://www.smallleafs.com/article/35.aspx 4D数据包括DLG(数字线画地图).DEM(数字高程模型).DOM(数字正射影像地图).DRG(数字栅格地图). DLG 数字线划地图(DLG, Digital Line Graphic):是与现有线划基本一致的各地图要素的矢量 数据集,且保存各要素间的空间关系和相关的属性信息.> 在世字测图中,最为常见的产品就是数字线划图,外业测绘最终成果一般就是DLG.该产品较全面地描述地表现象,目视效果与同比

大容量导入和导出数据 -- 介绍

大容量导入和导出数据 -- 介绍 SQL Server 支持从 SQL Server 表大容量导出数据以及将大容量数据导入 SQL Server 表或未分区的视图. 大容量导入和大容量导出对在 SQL Server 和异类数据源之间有效传输数据是非常重要的. "大容量导出"是指将数据从 SQL Server 表复制到数据文件. "大容量导入"是指将数据从数据文件加载到 SQL Server 表. 例如,您可以将数据从 Microsoft Excel 应用程序导出到数

Neo4j图数据库介绍

图数据库在图中存储数据,图是最通用的数据结构.图中可以存储节点和关系,节点和关系都可以保存属性.这种存储图的数据模型被称为属性图. 图数据库中的基本元素 节点往往用来表示实体,节点可以被多个标签进行标记.最简单的一个属性图是只有一个节点的图,这个节点可以有多个键值对标记的属性.关系通过连接节点来组织节点,一个联系有两个节点,开始节点和结束节点.这一点说明关系是有方向的.利用关系可以将节点组织成链表,树,图等数据结构.标签用来赋予节点角色和类型.一个节点可以有多个标签. 图数据中的高级属性 一个遍

GraphX 图数据建模和存储

背景 简单分析一下GraphX是怎么为图数据建模和存储的. 入口 可以看GraphLoader的函数, def edgeListFile( sc: SparkContext, path: String, canonicalOrientation: Boolean = false, numEdgePartitions: Int = -1, edgeStorageLevel: StorageLevel = StorageLevel.MEMORY_ONLY, vertexStorageLevel: S

解决echarts的叠堆折线图数据出现坐标和值对不上的问题

原文:https://blog.csdn.net/qq_36538012/article/details/88889545 ------------------------------- 说一个小bug,解决echarts的叠堆折线图数据出现坐标和值对不上的问题. 在echarts的叠堆折线图中,有这样的一个问题,从后端请求过来的数据是正确的,但是请求的y轴的值和y轴坐标对不上. 这个时候,查看了一下代码,因为是三条折线叠堆,打开代码看了一下属性发现stack的值都是一样的,因此,出现了这样的b

幂迭代法应用:pivotMDS--大图数据的稀疏化布局

论文解读 首先pivotMDS是通过p个锚点,做p次单源最短路,得到一个n*p的\(d_{ij}\)矩阵.通过这样一个n*p\(d_{ij}\)计算得到一个C矩阵,\(C \in R^{n\times k}\). C矩阵计算方式: \[ \begin{equation} C_{ij} = -\frac{1}{2} (\delta_{ij}^2 - \frac{1}{n} \sum_{r=1}^{n}\delta_{rj}^2 - \frac{1}{k} \sum_{s=1}^{k}\delta_

数据分页处理系列之三:Neo4j图数据分页处理

  首先简单介绍下Neo4j,Neo4j是一个高性能的NOSQL图形数据库,它将结构化数据存储在网络上而不是表中,它是一个嵌入式的.基于磁盘的.具备完全的事务特性的Java持久化引擎,但是它将结构化数据存储在网络(从数学角度叫做图)而不是表中.Neo4j也可以被看做是一个高性能的图引擎,该引擎具有成熟数据库的所有特性. Neo4j中涉及到几个关键的实体对象,分别是Node(节点).Relationship(关系).Path(路径).Direction(关系方向).RelationshipType

美图数据统计分析平台架构演进 当时我一个人,一天能够做四五个统计需求,而抽象后一天从了解需求开始到实现大概能做七八个统计需求,整体效率有不错的提升。

小结: 1. 一个有追求的程序员的话,可能不会甘于每天做重复的工作.因为在平时接触业务与实现过程中,深有体会统计业务逻辑的流程基本上是一致的,所以考虑抽象出这样一个相对通用的业务处理的流程,基本的流程是从数据源Query出数据,然后做一些业务方面的聚合或者过滤,最终把数据存储到DB.那在代码实现层面做了一层抽象,抽象一个统计的组件,包含Query.Aggregator以及DBStore,然后分别有一些不同Query和Store场景的实现.当做了一层这样的抽象以后,相比于前面的方案,生产力还是得到