图数据库如何存储节点关系

图数据库（Graph Database）的核心思想就是**“以节点和关系为一等公民”来存储数据，而不是像关系型数据库那样用表和外键来间接表达关系。下面从数据模型、存储方式、常见实现**三个层面说明它如何存储节点关系。

一、图数据库的基本数据模型

在图数据库中，数据通常由三部分组成：

1. 节点（Node）

   • 表示实体（人、商品、订单等）
   • 包含：
     • 标签（Label）：如 Person、Product
     • 属性（Property）：如 name、age

2. 关系（Relationship / Edge）

   • 连接两个节点
   • 包含：
     • 类型（Type）：如 FRIEND、BUYS
     • 方向（有向 / 无向）
     • 属性：如 since、weight

3. 属性（Property）

   • 挂在节点或关系上
   • 通常是键值对

示例：

(Alice:Person {age:30}) -[:FRIEND {since:2018}]-> (Bob:Person)

二、图数据库如何“存储”节点关系

1. 逻辑层面（用户视角）

• 关系就是显式存储的边
• 不需要 JOIN
• 查询关系 = 直接遍历边

例如：

MATCH (a:Person)-[:FRIEND]->(b:Person)
RETURN a, b

2. 物理存储层面（内部实现）

不同图数据库实现方式不同，但核心思路类似：

（1）邻接表式存储（最常见）

• 每个节点保存：
  • 出边列表（out-edges）
  • 入边列表（in-edges）
• 关系本身也是“记录”

示例结构（简化）：

Node A:
  out: [Edge(A->B, FRIEND), Edge(A->C, LIKE)]
Node B:
  in:  [Edge(A->B, FRIEND)]

✅ 优点：

• 遍历极快
• 关系查询是 O(1)～O(degree)

（2）邻接矩阵（理论或特殊场景）

• 用矩阵表示节点间关系
• 适合稠密图
• 实际生产较少直接用

（3）属性图存储（Neo4j 等）

• 节点、关系、属性分别存储
• 关系记录中包含：
  • 起始节点 ID
  • 结束节点 ID
  • 关系类型
  • 属性指针

（4）分布式图存储（大规模）

如：

• Nebula Graph
• JanusGraph
• TigerGraph

方式：

• 节点按 ID 分片
• 边按起点或终点存储（out-edge / in-edge）
• 使用 KV 存储（如 RocksDB）

三、和关系型数据库的对比

四、一句话总结

图数据库通过“显式存储边（关系）”的方式，把节点之间的连接作为核心数据结构，而不是通过计算 JOIN 来得到关系。

如果你感兴趣，我也可以：

• 用 Neo4j / Nebula / JanusGraph 举例
• 画一个存储结构示意图
• 讲 多跳关系为什么图数据库快

你想深入哪一块？