dgraph 是可扩展的，分布式的，低延迟的图数据库。
DGraph 的目标是提供 Google 生产水平的规模和吞吐量，在超过TB的结构数据里，为用户提供足够低延迟的实时查询。DGraph 支持 GraphQL 作为查询语言，响应 JSON。
示例查询：
与其他数据库的比较：
-
Dgraph使用总结 纲要 1.背景 2.概念 2.1 Schema 2.2 数据写入 3.查询 3.1 Function/Filter 3.2 查询变量 3.3 Facets 3.4 Recurse Query 3.5 K-Shortest Path Queries 4.部署 4.1 单机部署 4.2 集群部署 １．背景 Dgraph是一个分布式的开源图数
-
0x01 HelloWorld(简单查询) { find_someone(func: eq(name, "SomeOne's name")) { uid name age sex } } 复制代码 上面的查询语句表示, 新建一个名为 find_someone 的query, 查询条件为集合内name等于 SomeOne
-
原文：https://docs.dgraph.io/query-language/ dgraph的graphQL+-是基于facebook的graphQL语言的一门查询语言。graphQL并不是为图数据库开发的语言，而是一种比较像图的查询语法，schema和子图让它成为一门很棒的语言。我们开发者修改了这门语言(graphQL),让它可以更好地支持图的操作，我们增减了graphQL的一些功能
-
在搜索时，往往图谱中与某个节点关联的周围节点数量繁多，我们需要通过一定的条件过滤留下满足需求的结果，dgraph 默认是根据uid排序 ｛ find_follower(func: uid(MICHAELS_UID)){ name age follows （first: 3）{
-
参考：https://tour.dgraph.io/schema/1/ 这个教程主要关于一个schema怎么样在dgraph里面运作，并且告诉我们怎么样去增加、更新、删除一个数据（也就是怎么变动（mutate）数据）的 一、增加、修改schema dgraph里的schema描述了predicate的类型，当我们想要向已有的schema里添加数据时，我们新增就好了。但是如果我们想要向一个新的（还
-
我在第一次学习dgraph的时候，使用的docker安装的（因为简单快速），部署好了以后正常使用，这个时候ip是192.168.1.11，结束学习我就把虚拟机挂起了 第二次学习的时候，开的手机热点，这个时候虚拟机ip就是172.20.10.11了。 这个时候我就把容器docker stop xxx了，以后又docker rm xxx了，然后重新docker-compose up -d 了。 然后d
-
https://dgraph.io/docs/migration/loading-csv-data/ 将csv文件转成json 安装软件 yum install npm npm install --global csv2json csv2json /home/genome-tags.csv /home/genome-tags.json 导入json ./dgraph live -f /ho
-
创建3个虚拟机 创建sshkey 安装dgraph # 在三个节点执行以下命令 curl https://get.dgraph.io -sSf | bash 配置集群 节点1执行： dgraph zero --my 192.168.189.53:5080 --replicas 3 dgraph alpha --lru_mb 2048 --my 192.168.189.53:7080 -
-
问题描述 在使用docker-compose up –d命令行启动时出现如下错误： Traceback (most recent call last): File "bin/docker-compose", line 6, in <module> File "compose/cli/main.py", line 71, in main File "compose/cli/main.py
-
我想使用Flink流媒体以低延迟处理市场数据（ 我有一组计算，每个都订阅三个流：缓慢移动的参数数据、股票价格和汇率。 例如。 Params（缓慢滴答：每天一次或两次）： 资源（每秒多次滴答声）： fx（每秒多次滴答声）： 每当任何股票、外汇汇率或参数数据发生变化时，我都想立即计算结果并将其输出为新流。这在逻辑上可以表示为连接： 例如选择价格=（params.strike-asset.spot）*f
-
问题内容： 在以下情况下，实现C ++ / Java IPC的最佳方法是什么？ 我有两个程序需要相互通信，一个是用C ++编写的，另一个是用Java编写的。两者都在同一台计算机上运行。 程序相互发送消息。消息通常很短（少于几百个字节），但是大小可能为100KB或更大。 不需要确认消息（即不需要像HTTP这样的请求/响应模型）。例如，C 程序向Java程序发送一条消息，而Java程序可以在以后的某个
-
问题内容： 我正在Linux上的串行端口上实现协议。该协议基于请求应答方案，因此吞吐量受将数据包发送到设备并获得应答所花费的时间限制。这些设备主要基于Arm，并且运行Linux> = 3.0。我无法将往返时间缩短到10ms以下（115200波特，8个数据位，无奇偶校验，每条消息7个字节）。 哪些IO接口将为我带来最低的延迟：选择，轮询，epoll或使用ioctl手动轮询？阻塞或非阻塞IO是否会影响
-
我正在评估Flink，用于流式分析场景，但还没有找到足够的信息，说明如何实现我们今天在遗留系统中所做的ETL设置。 一个非常常见的场景是，我们有一个键控的低吞吐量元数据流，我们希望使用这些数据流来丰富高吞吐量数据流，如下所示： 这就提出了两个关于Flink的问题：如何使用时间窗口重叠但不相等的缓慢更新流来丰富快速移动的流（元数据可以活几天，而数据可以活几分钟）？如何有效地将多个（最多10个）流与F
-
Flask 通常配合装饰器使用，装饰器使用非常简单，而且使您可以将 URL 和处理它的函数 放在一起。然而这种方法也有一种不足: 这就意味着您使用装饰器的代码必须在前面导入， 否则 Flask 将无法找到您的函数。 这对于需要很快导入的应用程序来说是一个问题，这种情况可能出现在类似谷歌的 App Engine 这样的系统上。所以如果您突然发现您的引用超出了这种方法可以处理 的能力，您可以降级到中央
-
问题内容： 我正在寻找有关如何在低延迟至关重要的环境中最大程度地调整年轻一代（相对于老一代）的争论。 我自己的测试倾向于表明，当年轻一代相当大时（例如-XX：NewRatio <3），延迟是最低的，但是我不能直觉地认为年轻一代越大，进行垃圾处理的时间就越多收集。 该应用程序在Linux 64位jdk 6上运行。 内存使用量大约是启动时加载的50万兆个长寿命对象（=数据缓存），并且从那里仅创建（很多