图解图库JanusGraph系列-一文知晓“图数据“底层存储结构

知识是永远的流行色!

码友们，点赞再看，养成好习惯~

一：存储模式

留言或私信我，邀请你加入“图数据库交流”微信群！

1、图内容

本文以下所有内容基于：JanusGraph基于属性图来进行构造图数据：

属性图： 属性图是由 顶点（Vertex），边（Edge），属性（Property）组成的有向图

Vertex可以包含Properties；Edge也可以包含Properties；

2、存储方法

图存储的方式常用的有两种：邻接列表 和 邻接矩阵

JanusGraph采用邻接列表进行图数据的存储，如下图所示：（此处将图中节点抽象为 只有节点，没有属性）

在Janusgraph中一个顶点的邻接列表包含该节点对应的属性和关联的边，下述会详细说明 Janusgraph中邻接列表是如何实现的；

3、图切割方式

图的切割方式分为两种：按节点切割(Vertex Cut)和按边切割(Edge Cut)

• Vertex Cut：根据点进行切割，每个边只存储一次，只要是节点对应的边便会多一份该节点的存储
• Edge Cut：根据边进行切割，以节点为中心，边会存储两次，源节点的邻接列表存储一次，目标节点的邻接列表存储一次

在Janusgraph中既存在Edge Cut，也存在Vertex Cut的情况；

在默认的情况下使用边切割，而针对热点节点可以通过配置makeVertexLabel('product').partition()来将节点类型为product类型的节点进行Vertex Cut；

也就是说，在没有上述makeVertexLabel('product').partition()配置的话，JanusGraph所有的图数据都是以Edge Cut的方式来进行切割存储的；

具体可以查看文章：《JanusGraph-分区》中自定义分区部分中关于图切割部分的介绍；

我们例子来说明一下：

如下图： 张三用户节点通过手机号关联出来李四用户节点

• 张三 和 李四 代表Vertex；指向的name、age、gender代表张三的属性
• edgeA 和edgeB 代表Edge；也可以包含边的属性，例如下图中边包含属性create_time

按边切割后：

节点
张三	name(property)	age(property)	gender(property)	edgeA(edge)
phone	phone(property)	edgeA(edge)	edgeB(edge)
李四	name(property)	age(property)	gender(property)	edgeB(edge)

上述可以看到，按照边切割后每一条边会存储两次！

二：BigTable模型

在JanusGraph的存储中， JanusGraph将图形的邻接列表的表示存储在支持Bigtable数据模型的任何存储后端中

BigTable模型如下图：

在Bigtable数据模型中，每个表是行的集合，由一个key唯一标识。

每行由任意（可以很大数量但是必须有限数量）数量的cell组成；cell由column和value组成，column唯一标识某一个cell。

上述图中，有两部分需要排序的支持：sorted by key 和 sorted by column：

• sorted by key：标识存储后端存储的数据时按照key的大小进行排序存储的
• sorted by column：这是JanusGraph对Bigtable数据模型有一个额外要求，存储edge(边)的单元格必须按column排序，并且列范围指定的单元格子集必须是有效可检索的； 这句话详细解答在下述文章中有体现

在Bigtable模型中的行称为“宽行”，因为它们支持大量cell，并且不必像关系数据库中那样预先定义这些cell的column。

在关系型数据库中我们必须先定义好表的schema，才可以存储数据，如果存储过程中想要改变表结构，则所有的数据都要对变化的列做出变化。但是Bigtable模型存储中就不必如此，每个行的column不同，我们可以随时仅对某一行进行变化，也不许预先定义行的schema，只需要定义图的schema即可。

此外，特定的Bigtable实现可以使行按其键的顺序排序。JanusGraph可以利用这样的键序来有效地划分图形，从而为非常大的图形提供更好的加载和遍历性能。

JanusGraph是如何基于BigTable数据模型针对于自身的图数据特性进行设计的呢？

下面我们看下JanusGraph的逻辑存储结构

三：存储逻辑结构

JanusGraph基于使用BigTable模型的存储后端 实现了自己的存储的逻辑结构

ps：为了更好的理解，下面部分知识点会基于HBase存储后端进行进一步的解释！

1、整体结构

在JanusGraph中，以节点为中心，按切边的方式存储数据的。比如在Hbase中节点的ID作为HBase的Rowkey，节点上的每一个属性和每一条边，作为该Rowkey行的一个个独立的Cell。即每一个属性、每一条边，都是一个个独立的KCV结构(Key-Column-Value)

上图中，我们可以发现图的存储整体分为三部分：vertex id、property、edge：

• vertex id： 对应节点的唯一id，如果底层存储使用的是Hbase则代表着当前行的Rowkey，唯一代表某一个节点
• property： 代表节点的属性
• edge： 代表节点的对应的边

排序方式分为三种：sorted by id、sorted by type、sorted by sort key：

• sorted by id： 依据vertex id在存储后端进行顺序存储
• sorted by type：此处的个人理解为针对于property 和 edge的类型进行排序，保证同种类型的属性或者边连续存储在一块便于遍历查找； // TODO​ 深层次理解​
• sorted by sort key： sort key是边组成以的一部分，主要作用是，在同种类型的edge下，针对于sort key进行排序存储，提升针对于指定sort key的检索速度；下面edge结构部分有详细介绍

2、Vertex id 的结构

此处的Vertex id唯一标识图中的某一个节点；节点vertex id的组成结构我们在源码类IDManager的一段注释中可以发现：

     /*        --- JanusGraphElement id bit format ---
      *  [ 0 | count | partition | ID padding (if any) ]
     */

这是在Janusgraph在生成所有的id时统一的格式包含vertex idedge idproperty id的时候，这个顺序也 就是标识我们再使用gremlin查询出节点时，节点上标识的vertex id； 这个id值的顺序不同于hbase真实存储Rowkey的顺序！！！！！！！

在对vertex id进行序列化存储时，位置有所调整为：[ partition | 0 | count | ID padding (if any) ] 如下图：

从图中可以看出：

1. Vertex ID共包含一个字节、8位、64个bit
2. Vertex ID由partition id、count、ID padding三部分组成
3. 最高位5个bit是partition id。partition是JanusGraph抽象出的一个概念。当Storage Backend是HBase时，JanusGraph会根据partition数量，自动计算并配置各个HBase Region的split key，从而将各个partition均匀映射到HBase的多个Region中。然后通过均匀分配partition id最终实现数据均匀打散到Storage Backend的多台机器中
4. 中间的count部分是流水号，其中最高位比特固定为0；出去最高位默认的0，count的最大值为2的(64-5-1-3)=55次幂大小：3 6028 7970 1896 3968，总共可以生成30000兆个id，完全满足节点的生成
5. 最后几个bit是ID padding, 表示Vertex的类型。具体的位数长度根据不同的Vertex类型而不同。最常用的普通Vertex，其值为'000'

为什么在序列化存储vertex id时，需要调整顺序序列化作为RowKey存储到Hbase呢？

我们通过下面的3个问题来回答：

1. 为什么JausGraph分配的逻辑区间值，可以影响hbase物理存储呢？ 可以将分区相同的数据存放的更近呢？

在上述描述中，hbase使用vertex id作为rowkey，hbase根据rowkey顺序排序存储； 每个 hbase region存储是一段连续的Rowkey行；

在janusgraph的vertex id的设计中，可以发现将分区值放到了64位的前5位存储！ 在存储数据到hbase时，对rowkey进行排序，因为partition id在前5位，所以同一个分区的vertex id对应的rowkey值相差较小，所以会存储在一块；

1. 如何快速的查询到不同类型的节点呢？ 换个说法如何快速的确定当前的行就是我们需要的节点类型的行呢？

在JanusGraph的vertex id中包含的 ID padding就代表当前的节点类型（注意此处的类型！=lable）。000标识为普通节点，在id的组成部分中，我们经过前面的分析，最前面是partition id，只有把 ID padding放在最后几个字节便于查找了；

1. 为什么查询出的节点显示的vertex id要把0|count放在最前面、partiton和id padding放在后面呢？

这里我们猜测一下：count占用55位数据！ 试想如果把count不放在最前面，那么id的最小值比2的55次幂还大，显示不友好！ 如果把0|count放在最前面呢？就会有两个效果：

0在有符号表示中标识当前id始终为正整数！

count是趋势递增的，所以id值也是从小到大趋势递增的，所以节点id的最小值在2的8次幂周边大小； 比把count放在后面显示的id值友好多了~~~

vertex id是如何保证全局唯一性的呢？

主要是基于数据库 + 号段模式进行分布式id的生成；

体现在图中就是partition id + count 来保证分布式全局唯一性； 针对不同的partition都有自己的0-2的55次幂的范围的id； 每次要生成vertex id时，首先获取一个partition，获取对应partition对应的一组还未使用的id，用来做count；

janusgraph在底层存储中存储了对应的partition使用了多少id，从而保证了再生成新的分布式vertex id时，不会重复生成！

ps ： JanusGraph中分布式唯一vertex id、edge id、property id的生成分析，请看《图解JanusGraph系列-分布式唯一id的生成机制》

3、edge 和 property的结构

在上述的JanusGraph的整体结构中，property和edge都是作为cell存储在底层存储中；其中cell又分为column和value两部分，下图展示了这两部分的逻辑结构：

下面我们详细分析一下 property 和 edge对应的逻辑结构；

3.1 edge的结构

Edge的Column组成部分：

• label id：边类型代表的id，在创建图schema的时候janusgraph自动生成的label id，不同于边生成的唯一全局id
• direction：图的方向，out：0、in：1

• sort key：可以指定边的属性为sort key，可多个；在同种类型的edge下，针对于sort key进行排序存储，提升针对于指定sort key的检索速度；

  • 该key中使用的关系类型必须是属性非唯一键或非唯一单向边标签；
  • 存储的为配置属性的value值，可多个（只存property value是因为，已经在schema的配置中保存有当前Sort key对应的属性key了，所以没有必要再存一份）
• adjacent vertex id：target节点的节点id，其实存储的是目标节点id和源节点id的差值，这也可以减少存储空间的使用
• edge id：边的全局唯一id

Edge的value组成部分：

• signature key：边的签名key

  • 该key中使用的关系类型必须是属性非唯一键或非唯一单向边标签；
  • 存储压缩后的配置属性的value值，可多个（只存property value是因为，已经在schema的配置中保存有当前signature key对应的属性key了，所以没有必要再存一份）
  • 主要作用提升edge的属性的检索速度，将常用检索的属性设置为signature key，提升查找速度

• other properties：边的其他属性

  • 注意！ 不包含配置的sort key和signature key属性值，因为他们已经在对应的位置存储过了，不需要多次存储！
  • 此处的属性，要插入属性key label id和属性value来标识是什么属性，属性值是什么；
  • 此处的property的序列化结构不同于下述所说的vertex节点的property结构，edge中other properties这部分存储的属性只包含：proeprty key label id + property value；不包含property全局唯一id！

详细解释及思考：

在进行详细分析前，请大家思考几个问题，如下:

1. 基于上述的edge逻辑结构，JanusGraph是如何构造邻接列表的 或者 是如何获取源节点的邻接节点的？
2. 上述的Edge逻辑结构中的，每部分的排列的顺序的含义是什么？

1、基于上述的edge逻辑结构，JanusGraph是如何构造邻接列表的 或者 是如何获取源节点的邻接节点的？

从上述的整体结构部分中，我们可以知道，vertexId行后跟着当前的节点关联的所有的edge；

而在上述的edge的逻辑结构中，有一个adjacent vertex id字段，通过这个字段就可以获取到target节点的vertex id，就相当于指向了target节点，整理一下：

如上图，通过上述的条件，就可以构造一个VertexA指向VertexB 和 VertexC的邻接链表；

其实，JanusGraph可以理解为构造的是双向邻接列表， 依据上图，我们知道vertexA 和 vertexB 和 vertexC存在边关系； 当我们构造vertexB的邻接列表时，会包含指向vertexA的节点，只是说在edge对应的逻辑结构中边的方向不同而已：

总结：JanusGraph通过vertex id行中包含所有关联的edge，edge逻辑结构中包含指向target节点的数据来组成双向邻接列表的结构；

2、上述的Edge逻辑结构中的，每部分的排列的顺序的含义是什么？

首先，在查询的时候为了提升查询速度，我们首先要过滤的是什么，针对于edge毋庸置疑是边的类型和边的方向；

所以，为了我们可以更快的拿到类型和方向，所以在edge的存储结构中，我们发现作者将类型和方向存放在了column中，并且是column的最前面部分；这样我们可以直接通过判断column的第一部分字节就可以对边类型和方向进行过滤！

ps：虽然我们在写Gremlin语句的时候，可能是语句写的是先过滤边的属性或者其他，但是JanusGraph会针对我们的gremlin语句进行优化为先过滤 边类型和 方向

接下来，我们可能对边的属性进行过滤，我们怎样提升经常要过滤的属性的查询速度呢？ 我们将经常用于范围查询的属性配置为sort key，然后就可以在过滤完边类型和方向后快速的进行属性的范围过滤（此处快速的指过滤配置为sort key的属性）；

3.2 property的结构

property的存储结构十分的简单，只包含key id、property id和value三部分：

• key id：属性label对应的id，有创建schema时JanusGraph创建； 不同于属性的唯一id
• property id：属性的唯一id，唯一代表某一个属性
• value：属性值

注意：属性的类型包含SINGLE、LIST和SET三种Cardinality；当属性被设置为LIST类型时，因为LIST允许当前的节点存在多个相同的属性kv对，仅通过key id也就是属性的label id是无法将相同的属性label区分出来的

所以在这种情况下，JanusGraph的property的存储结构有所变化， property id也将会被存储在column中，如下图：

四：index存储结构

1、Composite Index结构

图一（唯一索引Composite Index结构图）：

图二（非唯一索引Composite Index结构图）：

Rowkey由index label id 和properties value两大部分组成：

• index label id：标识当前索引类型
• properties value：索引中包含属性的所有属性值，可多个； 存在压缩存储，如果超过16000个字节，则使用GZIP对property value进行压缩存储！

Column由第一个字节0 和 vertex id组成：

• 第一个字节0：无论是唯一索引，还是非唯一索引此部分都会存在；如图一
• vertex id：非唯一索引才会在column中存在，用于分别多个相同索引值对应的不同节点；如图二

value由vertex id组成：

• vertex id：针对于rowkey + column查询到的value是vertex id，然后通过vertex id查询对应的节点

2、Mixed Index结构

这里以ES作为第三方索引库为例，这里只介绍普通的范围查找的mixed index的构造：

ES的概念为：index 包含多个 type；每个type包含多个document id，每个document id包含多个field name 和对应的field value；

在Jausgraph中

• index：包含两种，janusgraph_edge 和 janusgraph_vertex两种
• type：可自定义
• document id：edge id或者 vertex id
• field name：索引对应属性的label string
• field value：属性对应的property value

基于倒排索引的查询顺序为，给定过一个property label 和 property value查询对应的Vertex id 或者 edge id，则查询满足要求的field name 和 field value，就可以获取到对应的document id即Vertex id 或者 edge id；

五：序列化数据案例

以序列化实例来看下上述所说的整体结构

测试节点数据：

{
    "label":"user",
    "propertyMap":{
        "create_time":"2016-12-09 02:29:26",
        "user_name":"张三",
        "user_id":"test110"
    },
    "vertexId":4152
}

测试边数据：

{
    "edgeId":17514510,
    "label":"user_login_phone_number",
    "propertyMap":{
        "productid":"2"
    },
    "sourceId":4152,
    "targetId":40964120
}

跟踪Janusgraph源码，获取其序列化信息，后端存储使用Hbase：

节点序列化后数据（不包含索引）：

边序列化后数据（不包含索引）：

节点的vertex id序列化后的数据为56 0 0 0 0 0 0 -128；一个节点对应的属性和边的Rowkey相同，依据qualifier也就是column来进行区分；

在边的序列化结果中，包含两部分：一部分是节点4152的kcv，一个是节点40964120的kcv；这地方也可以说明JanusGraph是采用的双向邻接链表进行图存储的

五：Schema的使用

从上述来看，我们可以知道，JanusGraph图的schema该怎样定义主要是由edge labels 、property keys 和vertex labels 组成（Each JanusGraph graph has a schema comprised of the edge labels, property keys, and vertex labels used therein）

JanusGraph的schema可以显式或隐式创建，推荐用户采用显式定义的方式。JanusGraph的schema是可以在使用过程中修改的，而且不会导致服务宕机，也不会拖慢查询速度。

比如一个简单的显示定义的销售图的scheme：

当然，我们也可以添加一些其他的可以组成schema的元素，上述三个是必须的，另外的比如索引（index）等，主要的结构还是：

JanusGraph Schema
        |-----------Vertex Lables
        |-----------Property Keys
        |-----------Edge Labels

和关系型数据库不同，图数据的schema是定义一张图，而非定义一个vertex的。在Mysql中，我们通常将建立一张表定义为创建一个schema，而在JanusGraph中，一个Graph用于一个schema。

六：源码分析

源码分析已经push到github：https://github.com/YYDreamer/janusgraph

七：总结

• JanusGraph采用Edge cut的方式进行图切割，并且按照双向邻接列表的形式进行图存储
• JanusGraph每个节点都是对应的kcv结构； vertex id唯一标识节点；对应的行cell存储节点属性和对应的边
• 节点id的分布式唯一性采用数据库+号段模式进行生成；