Question

在gremlin中，

我知道第一个用于OLTP，第二个用于OLAP。我知道OLAP和OLTP在定义级别上的区别。我对此有以下疑问：

如何

提前致谢。

Answer 1

从用户的角度来看，就结果而言，OLAP和OLTP之间没有真正的区别。 Gremlin语句与使用TraversalSource和其他设置时显示的withComputer()配置相同。

区别在于如何在幕后执行遍历。基于OLAP的遍历旨在处理整个图表＆＃34; （即所有顶点/边缘，可能不止一次）。基于OLTP的遍历旨在处理较小的数据体，通常从一个或少量顶点开始并从那里遍历。当你考虑数十亿个边缘的图表时，很容易理解为什么需要像OLAP这样的有效机制来处理这些图形。

你真的不应该把OLTP和OLAP视为＆＃34;更快＆＃34; vs＆＃34;慢＆＃34;。根据{{3}}：

中的描述，可能更好地考虑它

只要您的应用程序了解该遍历的要求，您就无法在应用程序中使用OLAP遍历。如果您有一些SLA表示REST请求必须在0.5秒内完成，并且您决定使用OLAP遍历来获得答案，那么您无疑会破坏您的SLA。假设您通过Spark执行OLAP遍历作业，它将使Spark需要10-15秒才能组织起来运行您的工作。

我不确定如何提供OLAP和OLTP的示例，除了稍微讨论一下用例之外，所以应该清楚何时使用一个而不是另一个。无论如何，让我们假设您有一个包含100亿边缘的图表。您希望OLTP遍历始终以某种形式的索引查找开始 - 例如遍历显示用户朋友的平均年龄＆＃34; stephenm＆＃34;：

g.V().has('username','stephenm').out('knows').values('age').mean()

但如果我想知道数据库中每个用户的平均年龄怎么办？在这种情况下，我没有任何索引可用于查找＆＃34;一小组起始顶点＆＃34; - 我必须在图表中处理所有数百万/十亿的顶点。这是OLAP的完美用例：

g.V().hasLabel('user').values('age').mean()

OLAP也非常适合了解图表的增长和维护图表。数十亿边缘和高数据摄取率，不知道你的图形不正确地增长是一个死刑判决。使用OLAP获取图表中所有数据的全局统计信息是很好的：

g.E().label().groupCount()
g.V().label().groupCount()

在上面的示例中，您将获得边/顶点标签分布。如果您对图表的增长方式有所了解，这可以很好地指示您的数据提取过程是否正常运行。在十亿边缘图上，尝试执行其中一个遍历将永远地＆＃34;永远＆＃34;如果它完全没有错误就完成了。