# Graph Database應用思考模式 - 范建銘

{%hackmd j86FNbMoRoeN4Xn0pg5ofw %}

> 請從這裡開始

這場是 backend 的主題

## 什麼是GraphDB

* 不是放圖片的資料庫!
* 跟 GraphQL 沒有關係

## NoSQL
_GraphDB 是 NoSQL的分支_

* Key-Value
* redis
* Document-based
* MongoDB
* Column-based
* BigTable
* hbase
* Graph-based
* [Neo4j](https://neo4j.com/)

[圖資料庫](https://zh.wikipedia.org/zh-tw/%E5%9B%BE%E6%95%B0%E6%8D%AE%E5%BA%93)
> 圖資料庫也可稱為面向/基於圖的資料庫，對應的英文是Graph database。圖資料庫的基本含義是以「圖」這種資料結構存儲和查詢數據，不是存儲圖片的資料庫。圖資料庫的基本存儲單元為：節點、關係、屬性。

1. 節點
2. 關係
* 關係內可以定義 "屬性"
3. 屬性

Facebook 應用 Graph Database 用最多

資料的關聯越複雜，越適合用 GraphDB 來存取資料。

1. 節點
* 人、粉絲團、地標
2. 關係
* 在節點與節點之間建立關係
* 加好友、同意、拒絕
3. 屬性
* 可針對`節點`做屬性關聯



## 為何想用GraphDB

1. 資料超多
* 上億筆資料量且要隨時更新
* 要可快速更新資料
2. 找資料速度要快
* 網頁呈現不能慢
3. 資料超級複雜
* 舊架構不能一口氣全翻掉
* NoSQL - Graph
4. 最好不要花錢買軟體
* _技術債_ 新舊並存

> 其他人說為啥不用ES
> [講者] 你會嗎？
> 大家都不會就聽我的

(https://cambridge-intelligence.com/visualize-arangodb/)

* 第一名的 GraphDB - [Neo4j](https://neo4j.com/) ([有書](https://www.tenlong.com.tw/search?keyword=neo4j&lang=zh_tw))
* 第二名的 GraphDB - [ArangoDB](https://www.arangodb.com)

## ArangoDB

1. 多模型資料庫: Graph、Document、key-value
2. 內含API: [JS framework Foxx](https://www.foxx-framework.com/)
3. AQL(ArangoDB Query Language) 查詢語法
* 每學一套 GraphDB 就要學一套新的查詢語法
4. 社群版 (免費) 即可用 cluster
* 電商講求高可用性 HA
* neo4j 的 cluster 要收費
雖然文件較多且較完整
中文文件也較多
5. 官方文件完整(英文)
6. 社群討論活躍
* 選用 open source 專案時，網路熱絡度很重要，儘量選擇還有在持續維護的軟體

ArangoDB 免費版夠用了

---

## 設計一套Graph系統吧！

### 電商角度

客戶資料表 --> 領用資料表 <--> 折價券資料表

* 只給某人的獨一折價券
* 共同持有一張折價券
* 100張大家搶

### 客人角度

* 客人有幾張
* 客人看折價卷內容價值
* 客人參加活動搶到一張限量折價券

### 關連資料庫 JOIN 模式

客戶資料表 --> 領用資料表 --> 折價券資料表

* 查找 A 客戶的折價卷張數：客戶資料表＋領用資料表
* 查找 A 客戶折價卷：客戶資料表 + 領用資料表 + 折價卷資料表
* 預先發 100 張：折價卷 + 塞 100 筆資料到領用資料表

> 從關聯式資料庫到Graph的思考：名詞轉換成節點，動詞轉換關係。



### 圖形資料庫模式

客戶 ----------> 折價券
　　 領用與使用

* 發行折價卷：塞折價卷及領用（領用時再牽線）
* 查找 A 客戶的折價卷張數：客戶有幾條領用線
* 查找 A 客戶的折價卷內容

### Arango DB Demo

* Document
* 客戶
* 折價券
* Edge

> mongoDB從關聯式資料庫轉換需要作反正規化

> 關聯式資料庫轉成圖形式的門檻比較沒這麼大

### 定義 Graph

關係的方向性

From A node TO B node.

AQL

For v.e.p IN 1..1 OUTBOUND concat('A_cust/A123456789')
 GRAPH 'Coupon'

v: vertex
e: edge
p: path
1..1 min..max

FILTER p.vertices[1].START <= DATE_NOW()
    AND p.vertices[1].END >= DATE_NOW()
    NAD p.edges[0].GET == '1'
    COLLECT WITH COUNT INTO COUPON_COUNT
    RETURN COUPON_COUNT

過濾條件

### 方法優化
* Graph 要從 vertex出發，但資料不一定要放在 vertex
* 將客戶編號放在 edge
* 節點不需要放關聯key 少一層過濾
* 過濾條件要放在edge上
* 多模型資料庫，一開始以為 document json就是 graph
* 一開始不知道可以用 edge，以為建立 document 就是 graph db
* document 真的要從頭閱讀到最後，才能學到精髓
* 之後用了 edge 建立拓墣圖後， graph db 速度更快
* DB 引擎：
* RocksDB
* 從記憶體做存取，速度較快
* MMFiles
* 從硬碟做存取

---

## 維運的技巧與困難

* 高流量
2ms/次
* cluster
* 優點
* server 可分角色
* 有的負責API
* 分片
* 缺點
* 同步資料耗資源
* 不明原因自行重啟
* Master slave
* 缺點
* 不明原因自行重啟
* 最後架構
* 三台single獨立 利用loadbalance去分散流量
* 資料同步寫入三台機器

## big data 分析
* 銀行詐騙偵測
* 多帳戶共用身份
* 帳戶之間的往來關係
* 帳號作為節點

* 推薦引擎
* 共同喜好牽成關係圖

* 網站應用
* 網頁地圖
* 電商館架
* 社群網站

除了關聯式資料庫還有其他選擇

[Amazon Neptune](https://aws.amazon.com/tw/neptune/)

###### tags: `MW18`