NoSQL 非关系型数据库
目录
- NoSQL
- 1. NoSQL 介绍
- 2. NoSQL 的主流产品
- 3. 图形数据库
- a. 图形数据库介绍
- b. 二度人脉的概念
- c. 图形数据库原理
- d. 图数据库 Neo4j
- e. 图形数据库总结
NoSQL
1. NoSQL 介绍
- NoSQL（Not-Only SQL），泛指非关系型的数据库，它可以作为关系型数据库的良好补充。
- 关系型数据库与非关系型数据库的比较：
- 互联网产品的特点：高并发、高可用、高性能、海量数据。传统的关系型数据库出现了性能和扩展的瓶颈，所以非关系型数据库应时而生，解决了互联网产品的三高和海量数据的问题。
- NoSQL 和关系型的数据库是互补关系，在各自的应用场景中都有自己的特点，一般情况下我们使用关系型数据库持久化数据（处理复杂的业务场景），对一些热点数据通过 NoSQL 来作为缓存提高效率。
2. NoSQL 的主流产品
| 分类 | 特点 | 代表产品 |
|---|---|---|
| 键值存储（Key-Value-stores） | 数据一般存在内存中，读写速度快（10w/s），适合作为缓存服务 | Redis |
| 文档型数据库（Document-stores） | 数据结构要求不严格，适合存储结构不确定或者价值较低的数据 | MongDB |
| 列存储数据库（BigTable-implementations） | 查找速度快，更容易进行分布式扩展，适合作为文件存储服务 | Hbase |
| 图形数据库（Graph Database） | 使用“图结构”进行存储，适合做社交网络计算等等 | Neo4j |
3. 图形数据库
a. 图形数据库介绍
- 在 NoSQL 四种分类中，图数据库从最近十年的表现来看已经成为关注度最高，也是发展趋势最明显的数据库类型。下图就是 db-engines.com 对图形数据库发展趋势的分析结果：
b. 二度人脉的概念
- 如果把你的微信好友作为一度人脉的话，那么你微信好友的好友就属于你的二度人脉，而你微信好友的好友的好友就是你的三度人脉，画个图简单看一下：
- 通常情况下我们所指的二度人脉基本都是一个泛指，泛指除了一度人脉之外的所有关联的人脉关系，如：三度、四度、五度甚至六度人脉等。那么应该如何实现推荐二度人脉这个功能呢？
- 运用关系型数据库，可以很轻松的实现一个推荐二度人脉的数据库表设计和代码实现。数据库首先有一个用户表 user，用于表示用户的基本信息，然后一个有一个好友表 user_friends，用于表示好友之间的关系。查找你的一度人脉就是直接根据你的用户 ID 到 user_friends 表中查找好友的 ID；查找你的二度人脉是先根据你的用户 ID 去 user_friends 表中先查出来你的一度人脉，然后得到所有一度人脉的用户 ID，然后根据这些所有一度人脉的用户 ID 再去 user_friends 中查找他的好友。那么如果查找三度、四度、五度人脉该怎么办？
c. 图形数据库原理
- 图数据库源起欧拉和图理论，也可称为面向/基于图的数据库，对应的英文是 Graph Database。图数据库的基本含义是以“图”这种数据结构存储和查询数据，而不是存储图片的数据库。它的数据模型主要是以节点和关系（边）来体现，也可处理键值对。它的优点是快速解决复杂的关系问题。
- 图可以说是顶点和边的集合，或者说更简单一点儿，图就是一些节点和关联这些节点的联系（relationship）的集合。
- 在图计算中，基本的数据结构表达就是：
G=(V, E)
V=vertex（节点）
E=edge（边）
- 图数据库名字的由来其实与其在底层的存储方式有关，Neo4j 底层会以图的方式把用户定义的节点以及关系存储起来，通过这种方式，可以高效的实现从某个节点开始，通过节点与节点间关系，找出两个节点间的联系。
- 说到节点和关系，就必须引出一个非常重要的概念，属性图模型（Property Graph Model）。如下所示：
- 一个图中会记录节点和关系
- 关系可以用来关联两个节点
- 节点和关系都可以拥有自己的属性
- 可以赋予节点多个标签（类别）
- 举例说明：
d. 图数据库 Neo4j
- 目前市面上有很多图数据库，例如：Neo4J、ArangoDB、OrientDB、FlockDB、GraphDB、InfiniteGraph、Titan、Cayley 等，但目前较为活跃可以称之为代表的当属 Neo4j。
- Neo4j 官方地址：https://neo4j.com/
- Neo4j 的安装使用很简单，如果是 Window 平台的话直接安装就可以，然后配置一下环境变量即可使用。具体可以参考：在 Windows 环境中安装 Neo4j
e. 图形数据库总结
- 图数据库它善于处理大量的、复杂的、互联的、多变的网状数据，其效率远远高于传统的关系型数据库的百倍、千倍甚至万倍。图数据库特别适用于社交网络、实时推荐、银行交易环路、金融征信系统等广泛的领域。
原文链接：https://qwert.blog.csdn.net/article/details/106290334