Graph Gremlin:GroupBy顶点，具有count>；1.

我正在使用TITAN 0.4和gremlin进行遍历。 我的要求是识别图中重复的顶点，并合并这些顶点。 图中有>15m个顶点

gremlin> g.V.has('domain').groupBy{it.domain}{it.id}.cap

==>{google.com=[4], yahoo.com=[16, 24, 20]}

我可以对顶点进行分组，但我只需要那些存在多次的域（顶点）

在上面的例子中，我只需要返回

=>{yahoo.com=[16,24,20]}

键“域”是索引的，如果这有什么区别的话

---

请在此帮助我

考虑使用

groupCount

而不是

groupBy

来保存在收集的列表中计算ID的步骤：

g.V.has('domain').groupCount(it.domain}.cap.next().findAll{it.value>1}

---

我想这在更大的遍历上也更便宜，因为您只是维护一个计数器而不是标识符列表。

老问题，但您是否尝试在下面强制索引

---

g.V.hasNot（'domain'，null）.groupBy{it.domain}{it.id}.cap

此解决方案在我的开发环境中运行良好，但在生产环境中，我有10个以上的顶点，在这些顶点中无法运行，抛出以下异常：-gremlin>g.V.has（'ip_address'）.groupCount{it.ip_address}.cap next（）.findAll{it.value>1}WARN com.thinkaurelius.titan.graphdb.transaction.StandardTitanTx-查询需要迭代所有顶点[（ip_地址null）]。为了获得更好的性能，请使用并非例外的索引-只是一个警告，提示您正在迭代所有顶点。我怀疑您的异常是

OutOfMemoryException

可能？无论哪种方式，这都是您的查询的本质-它必须迭代所有顶点，以找到它们上

groupCount

的“domain”属性。如果您必须这样做，并且您的图形很大，那么（1）在问题上投入更多内存，或者（2）使用titan hadoop，或者（3）以某种方式重新构造您的图形，以允许使用索引。是的，我正在从内存异常中退出分组步骤失败，因为临时存储异常gremlin>g.V.has（'domain'）。groupCount{it.domain}.cap.next（）.findAll{it.value>1}WARN com.thinkaurelius.titan.graphdb.transaction.StandardTitanTx-查询需要迭代所有顶点[（域null）]。为了获得更好的性能，请使用由以下原因引起的索引：com.thinkaurelius.titan.diskstorage.TemporaryStorageException:storage backend中的临时故障我还在Key“domain”g.makeKey（“domain”）.dataType（String.class）.Index（“standard”，Vertex.class）.make（）中使用titan标准索引；您可能已经在“域”上创建了索引，但您的查询没有使用它。您的查询只是查找具有“域”键的任何顶点，该键需要扫描所有顶点。像

g.V.has（'domain'，'google.com'）

这样的查询将使用该索引，因为它正在该索引中查找特定的“domain”。你问题的解决方案仍然是我提到的三个选项之一。