2. 主流图数据库选型对比：Neo4j、JanusGraph、NebulaGraph、Amazon Neptune
选图数据库，说白了就是选「存储+计算」的匹配度。我这些年帮团队做过几次选型，每次都要把几个主流引擎拉出来遛一遛。今天咱们就聊聊四个最常碰到的：Neo4j、JanusGraph、NebulaGraph、Amazon Neptune。不吹不黑，只讲我实际用下来的体感。
2.1 Neo4j —— 图数据库里的老大哥
Neo4j 是我最早接触的图数据库。2016年做反欺诈项目时，第一版原型就是用 Neo4j 搭的。它的原生图存储是一大亮点——节点和关系在磁盘上物理相邻，遍历速度极快。
- Cypher 查询语言，上手快，表达能力很强
- ACID 事务支持，适合金融级强一致性场景
- 社区版免费，生态成熟（驱动、可视化、工具链）
- 单机性能优秀，百亿节点以内很稳
但说实话，Neo4j 的分布式能力一直是个短板。企业版才支持集群，而且写扩展性有限。我有个朋友在电商公司，用 Neo4j 存用户关系，数据量到 50 亿节点后，写入开始吃力。嗯，这时候就得考虑别的方案了。
2.2 JanusGraph —— 分布式扩展的先行者
JanusGraph 是 Titan 的继承者，我大概在 2018 年开始关注它。它的设计思路很特别——自己不存数据，完全依赖后端存储（HBase、Cassandra、Bigtable）。
你想想看，这意味着什么？存储层你可以随便换。我有个项目需要和 Hadoop 生态打通，直接选了 JanusGraph + HBase，数据导入导出非常顺畅。
| 特性 | JanusGraph | Neo4j |
|---|---|---|
| 存储引擎 | HBase / Cassandra / ES | 原生图存储（自研） |
| 事务 | 最终一致性（取决于后端） | ACID 强一致 |
| 查询语言 | Gremlin（图遍历） | Cypher |
| 水平扩展 | 优秀（依赖后端） | 一般（企业版支持） |
| 运维复杂度 | 高（多组件依赖） | 低（单进程） |
不过 JanusGraph 的坑也不少。最典型的就是索引管理——混合索引（Mixed Index）依赖 Elasticsearch，一旦 ES 集群出问题，查询直接挂掉。我曾在生产环境遇到过 ES 节点 OOM，导致图查询超时，排查了半天才发现是索引分片设置不合理。
2.3 NebulaGraph —— 国产新锐，性能怪兽
NebulaGraph 是近两年我比较看好的产品。2020 年我第一次接触它时，就被它的存储计算分离架构吸引了。Meta 服务、Graph 服务、Storage 服务各自独立，可以分别扩缩容。
说白了，这就是为云原生设计的。我帮一家金融科技公司做 POC 时，用 NebulaGraph 跑了 100 亿边的图，3 跳遍历延迟控制在 50ms 以内。这个成绩，Neo4j 单机很难做到。
- 原生分布式，支持在线扩缩容
- 类 SQL 查询语言（nGQL），学习成本低
- 强一致性的分布式事务（Raft 协议）
- 国产开源，社区响应快（中文社区活跃）
但 NebulaGraph 也有不足。它的生态还在建设中，比如可视化工具、数据迁移工具不如 Neo4j 丰富。另外，我遇到过一些边界 case——比如超长路径查询时，内存占用会飙升。嗯，这需要你在建模时注意控制遍历深度。
2.4 Amazon Neptune —— 云上托管，省心之选
Neptune 是 AWS 的托管图数据库。我去年帮一个创业团队选型，他们不想自己运维数据库，直接选了 Neptune。说实话，真省心——自动备份、多可用区部署、一键扩缩容，这些都不用你操心。
Neptune 同时支持 Gremlin 和 SPARQL，所以如果你既有图遍历需求，又有 RDF 知识图谱需求，它一个服务全搞定。我有个做知识图谱的客户，就用 Neptune 存了 20 亿条三元组，查询响应基本在秒级。
| 维度 | Neptune | NebulaGraph | Neo4j |
|---|---|---|---|
| 部署方式 | 全托管 | 自建/云主机 | 自建/企业版 |
| 查询语言 | Gremlin + SPARQL | nGQL | Cypher |
| 存储容量 | 最高 128 TiB | 理论上无限 | 受限于单机 |
| 成本 | 按实例付费（较贵） | 开源免费+服务器成本 | 社区版免费 |
| 运维 | 几乎零运维 | 需要 DBA | 需要 DBA |
但 Neptune 的锁机制让我有点头疼。它用的是乐观锁，高并发写入时冲突概率不低。我有个场景是每秒 5000 次边更新，结果冲突重试率到了 15%。后来不得不改成批量写入，才降下来。
2.5 选型总结：到底怎么选？
我做了个简单的决策树，你可以参考一下：
- 团队小，不想运维 → Amazon Neptune（云上托管）
- 数据量百亿以内，强一致性要求高 → Neo4j（企业版）
- 数据量千亿级，需要水平扩展 → NebulaGraph（原生分布式）
- 已有 Hadoop/HBase 生态，需要图分析 → JanusGraph
最后说一句：没有银弹。我见过太多团队一开始选了 Neo4j，后来数据量大了又迁移到 NebulaGraph，中间折腾了三个月。所以，选型时一定要考虑未来 2-3 年的数据增长。你想想看，如果一开始就选对了，后面能省多少事？