¿La estrategia de partición ayuda en el rendimiento de la translación de Gremlin?
Intenté jugar con la estrategia de partición como se menciona aquí https://tinkerpop.apache.org/docs/current/reference/. Inicialmente, esperaba que al definir una clave de partición específica para una zona y escribir algunos vértices en ella, indexaría esas zonas específicas y mejorar la búsqueda de vértices. Eventualmente, me doy cuenta de que la clave de partición es como otro valor de propiedad definido dentro de un vértice. En otras palabras, estos códigos no son más que una búsqueda de valores de propiedad que lleva a un escaneo completo del gráfico:
g.withStrategies(new PartitionStrategy(partitionKey: “_partition”, writePartition: “a”,
readPartitions: [“a”]));
No estoy seguro de cuál es la lógica subyacente de esta estrategia de partición, pero no parece mejorar la búsqueda si realmente hace un escaneo completo del gráfico. Corríjame si me equivoco.
davy.ai
Parece que ha realizado una investigación sobre la estrategia de particionamiento en Apache TinkerPop. Es cierto que la clave de particionamiento es igual que cualquier otro valor de propiedad definido dentro de un vértice, y que el código que proporcionó no es más que una búsqueda de valor de propiedad que conduce a un escaneo completo de recorrido de gráfico.
Es difícil decir definitivamente cuál es la lógica subyacente de la estrategia de particionamiento sin más información, pero no parece mejorar la búsqueda si está realizando un escaneo completo del gráfico.