很明显,在两个顶点之间找到边缘的直接方法是:
std.range
我觉得std.algorithm
步骤必须遍历所有边缘,这对于一些有很多边缘的应用来说非常慢。
另一种方式可能是:
graph.traversal().V(outVertex).bothE(edgeLabel).filter(__.otherV().is(inVertex))
我假设第二种方法可以更快,因为它将使用ID索引,这将使其比第一种方法更快。
哪一个更快更有效(就IO而言)?
我正在使用Titan,所以你也可以让你的回答特定于Titan。
就时间而言,似乎第一种方法更快(边缘为20k的顶点filter
traversal = graph.traversal()
.V(outVertex)
.bothE(edgeLabel)
.as("x")
.otherV()
.is(outVertex) // uses index?
.select("x");
IO怎么样?
答案 0 :(得分:6)
我希望第一个查询更快。但是,很少有事情:
clock()
时,请确保iterate()
您的遍历,否则您只会衡量无所作为所需的时间。这些是我用来在两个方向上找到边缘的查询:
g.V(a).outE(edgeLabel).filter(inV().is(b))
g.V(b).outE(edgeLabel).filter(inV().is(a))
如果您希望获得最多一个优势:
edge = g.V(a).outE(edgeLabel).filter(inV().is(b)).tryNext().orElseGet {
g.V(b).outE(edgeLabel).filter(inV().is(a)).tryNext()
}
这样你就可以摆脱路径计算。这些查询的执行方式在很大程度上取决于底层的图形数据库。 Titan的查询优化器识别出该查询模式,并且几乎没有时间返回结果。
现在,如果要测量运行时,请执行以下操作:
clock(100) {
g.V(a).outE(edgeLabel).filter(inV().is(b)).iterate()
g.V(b).outE(edgeLabel).filter(inV().is(a)).iterate()
}
答案 1 :(得分:5)
如果一个人不知道顶点Id,则另一个解决方案可能是
g.V().has('propertykey','value1').outE('thatlabel').as('e').inV().has('propertykey','value2').select('e')
这也只是单向的,因此需要重新制定相反方向的查询。