（预计阅读时间：5分钟）
存储和计算是图数据库的两个重要组成部分。TuGraph的计算层包括图分析引擎、图查询引擎和图学习引擎。我们之前已经介绍了 图分析引擎 ，现在我们将分享一下图查询引擎。
图查询引擎是一种用于查询图数据库的工具，它使用特定的查询语言（如Cypher或ISO GQL）来执行和操作图数据库。这些查询语言允许用户描述图模式并查询图数据，例如查找特定节点或查找节点之间的路径。
目前，TuGraph支持使用Open Cypher作为查询语言，即将支持ISO GQL查询语言。与关系型数据库的SQL类似，Open Cypher和ISO GQL都是声明式查询语言。它们需要转换成高效的命令式执行计划，以便计算机系统能够理解和执行。查询引擎需要完成理解用户查询意图和转换执行计划的功能。
在本文中，我们将概述Open Cypher/ISO GQL查询如何执行，但不会详细探讨其中的技术细节，以帮助用户从整体上理解TuGraph查询引擎的工作原理。
01 TuGraph查询引擎架构
TuGraph在不断演进，将图查询和图分析引擎融合在一起，旨在提供混合查询和分析能力，并保持一致的使用体验。其架构如下图所示：
02 查询引擎工作流程
TuGraph查询引擎的主要步骤包括：
1. 将输入的查询字符串转换为抽象语法树（AST）。
2. 优化并归一化AST，生成通用语法中间表示（GST）。
3. 使用GST创建查询图并提取符号表，创建逻辑执行计划。
4. 优化逻辑执行计划。
5. 根据逻辑执行计划创建（物理）执行计划。
6. 校验schema约束、访问权限等。
7. 执行上述执行计划，得到查询结果。
将输入的查询字符串转换为抽象语法树（AST）
将用户输入的（Open Cypher或者ISO GQL）查询字符串转换为抽象语法树（AST）。在此过程中，任何语法错误都会被捕获并返回给用户，但我们在此阶段不进行语义检查。
优化并归一化AST，生成通用语法中间表示（GST）
在将查询字符串转换为抽象语法树（AST）后，我们仍需要解决一些问题。首先，原始AST层次较高，分支较为繁杂。更重要的是，AST与查询语言相关，不同的查询语言（如Open Cypher和ISO GQL）会生成完全不同的AST，这不利于后续的统一处理。
为了解决这些问题，我们将在此步骤中完成以下任务：
-
进行语义检查。
-
根据语义生成通用语法表示（GST），对AST进行压缩，以便按相同语义进行处理。
-
无论使用哪种查询语言，生成的GST都是相同的。
使用GST创建查询图并提取符号表，创建逻辑执行计划
我们使用通用语法中间表示（GST）来创建查询图，它是查询的更抽象、更高级的表示。使用查询图而不是直接在GST上操作，可以更有效地计算成本和执行优化。
逻辑计划是一棵多叉树，由类似于关系数据库逻辑计划所使用的运算符组成。为每个查询图生成一个逻辑计划（根据查询，查询图可能由子查询图组成）。这是按照自下而上的方法逐步完成的。
优化逻辑执行计划
在传统的关系型数据库中，关系代数（以及等价的元组关系演算和域关系演算）构成了数据库查询理论的基础。它们也是执行计划优化的理论基础。
TuGraph总结了图代数是SQL关系代数的扩展，如下图所示：
因此，TuGraph的优化器包含了许多优化，例如filter安置、dedup安置、traversal规划、lazy materialization等等。在后续的文章中，我们将详细介绍这些优化。
由逻辑执行计划创建（物理）执行计划
我们为逻辑运算符选择物理实现并缓存执行计划，从而根据逻辑计划创建执行计划。物理执行计划是一棵由运算符组成的树，它与逻辑执行计划同构。其中的每个物理运算符都准确地完成逻辑运算符规定的操作，接收逻辑运算符规定的输入输出。
校验schema约束、访问权限等
在此步骤中，我们会对执行计划的有效性进行校验，包括schema约束、访问权限等。如果校验不通过，我们将报错并返回给用户。
执行上述执行计划得到查询结果
通过校验的执行计划将被实际执行，执行的结果将作为查询结果返回给用户。
03 小结
一款卓越的图查询引擎通常具备如下特质：功能强大、快速执行查询、易于使用、并且能够扩展到更大型的图数据库以提供卓越的性能。TuGraph查询引擎的设计恰是基于这些特质而进行的。我们将在未来用更多文章详细介绍TuGraph查询引擎的设计和每一步的工作。
了解更多：
https://github.com/tugraph-family
END
往期回顾
→ 蚂蚁集团开源图数据库TuGraph，成立图计算开源委员会
▼ 关注蚂蚁图计算，了解最新资讯
487
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
