Neo4j数据建模优化：标签 VS 索引

在设计Neoj图形化数据库的时候，一个通常的问题是：如何处理带标记的数据。比如，标记用户是否活跃，标记博客是否发布，标记文章是否被阅读等。

介绍

在SQL中，通常会创建一个boolean型或者tinyint型的列。在Neo4j中，可以通过两种方式达到这种效果：

一个带索引的属性 一个专用的标签 在多次面临这个困境之后，我们对这两种方式的结果有了深入的了解。在此，将我们的经验分享出来，并给出一些Cypher语句上的优化方案，来帮助你对数据库进行优化。

在下面的博客中，我们会用以下场景来举例：

创建用户User节点 用户会关注FOLLOWS其他用户 用户会发布多个博客BlogPost 有部分博客是草稿drafted，一部分则是已发布published(active)

初始化

为了对数据库进行测试，我们利用Graphgen创建了一个小的数据集，并将其导入到图形数据库中。我们使用了下面的语句

(user:#User *10)(post:#BlogPost *200)(post2:#BlogPost:ActivePost {active:{randomElement:["true"]}} *200)(user)-[:WRITTEN *1..n]->(post)(user)-[:WRITTEN *1..n]->(post2)(user)-[:FOLLOWS *n..n]->(user)

当然，我们会首先对User节点中的_id属性加上一个唯一的限制

CREATE CONSTRAINT ON (user:User) ASSERT user._id IS UNIQUE;

查询已发布的博客

现在，我们来查询所有状态未已发布的博客BlogPost节点

使用标签

PROFILE MATCH (post:ActivePost) RETURN count(post);

会产生下面的执行结果：

neo4j-sh (?)$ PROFILE MATCH (post:ActivePost) RETURN count(post);+-------------+| count(post) |+-------------+| 200         |+-------------+1 rowColumnFilter  |  +EagerAggregation    |    +NodeByLabel+------------------+------+--------+-------------+--------------------------+|         Operator | Rows | DbHits | Identifiers |                    Other |+------------------+------+--------+-------------+--------------------------+|     ColumnFilter |    1 |      0 |             | keep columns count(post) || EagerAggregation |    1 |      0 |             |                          ||      NodeByLabel |  200 |    201 |  post, post |              :ActivePost |+------------------+------+--------+-------------+--------------------------+Total database accesses: 201

从结果中可以看到，访问数据库的次数和ActivePost节点的个数一致，通过标签访问的效率很高。

现在，来比较一下通过索引访问的效果。

使用索引

CREATE INDEX ON :BlogPost(active);

PROFILE MATCH (post:BlogPost) WHERE post.active = true RETURN count(post);

neo4j-sh (?)$ PROFILE MATCH (post:BlogPost) WHERE post.active = 'true' RETURN count(post);+-------------+| count(post) |+-------------+| 200         |+-------------+1 rowColumnFilter  |  +EagerAggregation    |    +SchemaIndex+------------------+------+--------+-------------+------------------------------------+|         Operator | Rows | DbHits | Identifiers |                              Other |+------------------+------+--------+-------------+------------------------------------+|     ColumnFilter |    1 |      0 |             |           keep columns count(post) || EagerAggregation |    1 |      0 |             |                                    ||      SchemaIndex |  200 |    201 |  post, post | {  AUTOSTRING0}; :BlogPost(active) |+------------------+------+--------+-------------+------------------------------------+Total database accesses: 201

可以看出，根据索引和根据标签的查询方式效果一致

那么为什么会有这篇博客呢？

当查询节点不是语句的第一个查询的时候（the queried nodes are not in the beginning of the pattern），这两者就会产生明显的区别。

查询某个用户已发布的博客

下面，让我们来查询某一个特定用户所有已发布的博客

使用标签

PROFILE MATCH (user:User {_id:'c922ea0d-45d6-375b-b91a-470933592c2a'})WITH userMATCH (user)-[:WRITTEN]->(p:ActivePost)RETURN count(p);

neo4j-sh (?)$ PROFILE MATCH (user:User {_id:'c922ea0d-45d6-375b-b91a-470933592c2a'})> WITH user> MATCH (user)-[:WRITTEN]->(p:ActivePost)> RETURN count(p);+----------+| count(p) |+----------+| 21       |+----------+1 rowColumnFilter  |  +EagerAggregation    |    +Filter      |      +SimplePatternMatcher        |        +SchemaIndex+----------------------+------+--------+----------------------+-----------------------------+|             Operator | Rows | DbHits |          Identifiers |                       Other |+----------------------+------+--------+----------------------+-----------------------------+|         ColumnFilter |    1 |      0 |                      |       keep columns count(p) ||     EagerAggregation |    1 |      0 |                      |                             ||               Filter |   21 |     21 |                      |   hasLabel(p:ActivePost(2)) || SimplePatternMatcher |   21 |     35 | user, p,   UNNAMED85 |                             ||          SchemaIndex |    1 |      2 |           user, user | {  AUTOSTRING0}; :User(_id) |+----------------------+------+--------+----------------------+-----------------------------+Total database accesses: 58

使用索引

PROFILE MATCH (user:User {_id:'c922ea0d-45d6-375b-b91a-470933592c2a'})WITH userMATCH (user)-[:WRITTEN]->(p:BlogPost)WHERE p.active = 'true'RETURN count(p);

neo4j-sh (?)$ PROFILE MATCH (user:User {_id:'c922ea0d-45d6-375b-b91a-470933592c2a'})> WITH user> MATCH (user)-[:WRITTEN]->(p:BlogPost)> WHERE p.active = 'true'> RETURN count(p);+----------+| count(p) |+----------+| 21       |+----------+1 rowColumnFilter  |  +EagerAggregation    |    +Filter      |      +SimplePatternMatcher        |        +SchemaIndex+----------------------+------+--------+----------------------+------------------------------------------------------------------------+|             Operator | Rows | DbHits |          Identifiers |                                                                  Other |+----------------------+------+--------+----------------------+------------------------------------------------------------------------+|         ColumnFilter |    1 |      0 |                      |                                                  keep columns count(p) ||     EagerAggregation |    1 |      0 |                      |                                                                        ||               Filter |   21 |     63 |                      | (hasLabel(p:BlogPost(1)) AND Property(p,active(8)) == {  AUTOSTRING1}) || SimplePatternMatcher |   21 |    105 | user, p,   UNNAMED85 |                                                                        ||          SchemaIndex |    1 |      2 |           user, user |                                            {  AUTOSTRING0}; :User(_id) |+----------------------+------+--------+----------------------+------------------------------------------------------------------------+Total database accesses: 170

可以看见，在第二个查询中，Cypher并没有使用到索引，它需要遍历所有的博客节点来进行查询。这种情况下，使用标签可以有更好的性能。

一些提示和技巧

下面，我们会给出一些提示来帮助你优化Cypher查询。

正向匹配标签

你也许会问：为什么不加一个草稿Draft标签来表明博客是未发布的呢？

原因在于，这么做的话，当查询已发布博客的时候，需要发起一个负向的筛选。而Cypher中，负向的操作都是很耗时的。

PROFILE MATCH (user:User {_id:'c922ea0d-45d6-375b-b91a-470933592c2a'})WITH userMATCH (user)-[:WRITTEN]->(p:BlogPost)WHERE NOT p :DraftRETURN count(p);

neo4j-sh (?)$ PROFILE MATCH (user:User {_id:'c922ea0d-45d6-375b-b91a-470933592c2a'})> WITH user> MATCH (user)-[:WRITTEN]->(p:BlogPost)> WHERE NOT p :Draft> RETURN count(p);+----------+| count(p) |+----------+| 21       |+----------+1 rowColumnFilter  |  +EagerAggregation    |    +Filter      |      +SimplePatternMatcher        |        +SchemaIndex+----------------------+------+--------+----------------------+---------------------------------------------------------+|             Operator | Rows | DbHits |          Identifiers |                                                   Other |+----------------------+------+--------+----------------------+---------------------------------------------------------+|         ColumnFilter |    1 |      0 |                      |                                   keep columns count(p) ||     EagerAggregation |    1 |      0 |                      |                                                         ||               Filter |   21 |     42 |                      | (hasLabel(p:BlogPost(1)) AND NOT(hasLabel(p:Draft(3)))) || SimplePatternMatcher |   21 |     70 | user, p,   UNNAMED85 |                                                         ||          SchemaIndex |    1 |      2 |           user, user |                             {  AUTOSTRING0}; :User(_id) |+----------------------+------+--------+----------------------+---------------------------------------------------------+Total database accesses: 114

避免多个标签匹配在某些设计中，我们可能使用了太多的标签，导致在查询的时候，需要匹配多个标签来获取需要的节点。而匹配多个标签，会使得Cypher发起多个hasLabel的筛选。
PROFILE MATCH (post:BlogPost:ActivePost) RETURN count(post);
neo4j-sh (?)$ PROFILE MATCH (post:BlogPost:ActivePost) RETURN count(post);+-------------+| count(post) |+-------------+| 200         |+-------------+1 rowColumnFilter  |  +EagerAggregation    |    +Filter      |      +NodeByLabel+------------------+------+--------+-------------+------------------------------+|         Operator | Rows | DbHits | Identifiers |                        Other |+------------------+------+--------+-------------+------------------------------+|     ColumnFilter |    1 |      0 |             |     keep columns count(post) || EagerAggregation |    1 |      0 |             |                              ||           Filter |  200 |    400 |             | hasLabel(post:ActivePost(2)) ||      NodeByLabel |  400 |    401 |  post, post |                    :BlogPost |+------------------+------+--------+-------------+------------------------------+Total database accesses: 801
可以发现，数据库访问的次数明显上升了。可以想像，当我们有百万个博客节点的时候，性能开销会很高。

利用不同的关系来避免一些标签的使用

在查询语句的时候，给尾节点定义标签会强制Cypher使用标签查询。

设置不同的关系可以避免你匹配过多的标签，从而更方便快速的遍历整个图，提高整体性能。

下面将模型进行调整，加入一个PUBLISHED关系，表明用户已经发布了某个博客。加入一个DRAFTED关系，表明用户未发布的博客。

MATCH (n:ActivePost)WITH nMATCH (n)<-[:WRITTEN]-(u)MERGE (u)-[:PUBLISHED]->(n);

MATCH (n:BlogPost)WHERE NOT n :ActivePostWITH nMATCH (n)<-[:WRITTEN]-(u)MERGE (u)-[:DRAFTED]->(n);

Neo4j的一个优势在于，节点包含了所有关联于自己的关系。这意味着，只要我们有一个出发点，通过关系找到下一个节点几乎不需要任何开销。

PROFILE MATCH (user:User {_id:'c922ea0d-45d6-375b-b91a-470933592c2a'})WITH userMATCH (user)-[:PUBLISHED]->(p)RETURN count(p);

neo4j-sh (?)$ PROFILE MATCH (user:User {_id:'c922ea0d-45d6-375b-b91a-470933592c2a'})> WITH user> MATCH (user)-[:PUBLISHED]->(p)> RETURN count(p);+----------+| count(p) |+----------+| 21       |+----------+1 rowColumnFilter  |  +EagerAggregation    |    +SimplePatternMatcher      |      +SchemaIndex+----------------------+------+--------+----------------------+-----------------------------+|             Operator | Rows | DbHits |          Identifiers |                       Other |+----------------------+------+--------+----------------------+-----------------------------+|         ColumnFilter |    1 |      0 |                      |       keep columns count(p) ||     EagerAggregation |    1 |      0 |                      |                             || SimplePatternMatcher |   21 |      0 | user, p,   UNNAMED85 |                             ||          SchemaIndex |    1 |      2 |           user, user | {  AUTOSTRING0}; :User(_id) |+----------------------+------+--------+----------------------+-----------------------------+Total database accesses: 2

可以看到，我们没有定义任何标签，因为:PUBLISH总是指向已经发布的博客。而通过这种方式，查询上千个已发布的博客，相比与之前使用的索引或标签，开销非常小。

结论

一个精心设计的数据库模型可以大大加快你的查询速度，提供一个良好的用户体验。通过一些测试以及使用PORFILE命令，可以帮你发现性能的瓶颈。在真正投入使用一个大型的数据库之前，这些调优的工作是必不可少的。