Apache GraphAr 0.13.0-incubating 介绍与选型指南

目标：以官方渠道实查的 Apache GraphAr（孵化中）0.13.0 版本为基准，讲清这一图数据标准文件格式的定位、格式模型、多语言库与同类差异，帮助读者判断在数据湖与图生态之间是否需要引入 GraphAr。本文为认知篇，全部信息基于官网、官方文档与 GitHub Releases 联网查证（查询日期 2026-10-18），不含本地安装实测。

一、信息基准

1.1 查询日期与版本依据

1.2 官方来源清单

二、软件概述

Apache GraphAr（曾名 Gar）0.13.0-incubating 是一个开源、标准化的图数据文件格式（open source, standard data file format for graph data storage and retrieval），用于图数据的存储与检索（来源：官网首页，查询日期 2026-10-18）。它的本质是「格式的规范 + 读写库」，而非图数据库或图计算引擎：GraphAr 定义了如何在文件系统/对象存储上以分块（chunking）、列式存储组织属性图（顶点、边、属性），并保持 CSR/CSC 邻接表语义，让同一份图数据可以被多个引擎按需读取，也支持大图在内存之外（out-of-core）存放与查询，例如存放在数据湖中。

官方列出三大设计要点（来源：官网首页）：高效的格式设计（分块、列式、CSR/CSC 语义）；支持 out-of-core 查询（大规模图在内存外存储与查询，如数据湖场景）；跨语言支持（C++、Java、Scala（Spark）、Python（PySpark）库用于生成、访问与转换 GraphAr 文件）。

项目目前处于 Apache 孵化器（官网页脚声明：Apache GraphAr is an effort undergoing incubation at The Apache Software Foundation），代码以 Apache License 2.0 许可发布。0.13.0 为源码发布，无官方预编译二进制。

三、核心概念与格式模型

3.1 信息文件（YAML）

GraphAr 用一组 YAML 文件保存图的元信息，数据本体为列式数据文件（来源：官方 C++ 库入门文档，查询日期 2026-10-18）：

3.2 分块与列式存储

• chunking：顶点与边都按固定 chunk 大小切分（顶点信息文件中指定 chunk size），每个 chunk 对应一个或一组数据文件，便于并行读取与按需扫描。
• property groups：属性按组拆分，每组独立指定文件类型（CSV、ORC 或 Parquet）与文件路径前缀，读取时可以只加载需要的属性组，减少 IO。
• CSR/CSC 语义：边数据按 CSR（行压缩）/CSC（列压缩）邻接表语义组织，配套 offset 文件，服务图遍历类访问模式。

3.3 版本与多语言库

• 格式版本以 gar/v1 等标识写在信息文件中，向前演进有明确协议。
• 官方库覆盖 C++（含 Arrow 依赖，ORC 扩展在 0.13.0 中改为可选）、Java、Spark（Scala）、PySpark（Python）；0.13.0 起 Java 库移除了对 Hadoop 的依赖（v0.13.0 发布说明 feat(java) 条目）。
• 0.13.0 新增以 protobuf 定义 GraphAr 格式协议、支持 JSON payload 文件格式（C++/Spark），并加入生成 Go proto 的配置（v0.13.0 发布说明）。

四、功能特性

基于官网与 v0.13.0 发布说明归纳（查询日期 2026-10-18）：

• 标准化图存储：把属性图以开放文件格式落盘，任何实现了规范的引擎都能读写，避免图数据锁定在单一系统内。
• 数据湖友好：数据文件即普通列式文件（Parquet/ORC/CSV/JSON），可与数据湖表共存，支持 out-of-core 大图场景。
• 多文件格式：每属性组可选 CSV/ORC/Parquet，0.13.0 增加 JSON payload 支持。
• 多语言生态：C++/Java/Spark/PySpark 四类库，覆盖从 Spark 图处理（GraphX/GraphAr Spark 工具）到本地程序读取的链路。
• 易与图计算/图查询系统集成：官方定位是存储检索格式，可作为图数据库、图分析引擎之间的交换与落地方。
• 孵化期活跃迭代：0.12.0（2024-07-02）到 0.13.0（2025-08-29）完成 C++ 代码结构重构、Java 去除 Hadoop 依赖、protobuf 协议化等多项升级（两版发布说明）。

五、快速上手

以下内容引自官方文档（查询日期 2026-10-18），本文未做本地实测。

1. 理解信息文件。官方 C++ 入门（https://graphar.apache.org/docs/libraries/cpp/getting-started ）以 ldbc_sample 示例图给出图信息文件原文：

name: ldbc_sample

prefix: ./

vertices:
  - person.vertex.yml

edges:
  - person_knows_person.edge.yml

version: gar/v1

该示例图包含一类顶点 person 与一类边 person_knows_person；person 顶点文件中定义两个属性组：第一组仅含 id（主键），第二组含 firstName、lastName 等属性（每组可分别指定 CSV/ORC/Parquet 文件类型）。

2. 构建与读写。官方文档指向 GitHub 仓库 README 的「Building Libraries」步骤安装 GraphAr C++ 库，随后用信息文件构造 GraphInfo，再通过顶点/边读写器以 chunk 为单位读写数据文件；Spark/PySpark 用户使用 GraphAr Spark 包（来源：官方文档 Libraries 分类与仓库 README）。

💡 说明：0.13.0 为源码发布，各语言库需自行从源码构建，构建依赖与步骤以仓库 README 为准。

六、适用场景与限制

6.1 适用场景

• 数据湖上图数据落地：把社交网络、风控关系图等以标准列式格式存于数据湖，供多个引擎消费。
• 图数据在系统间交换：在图数据库导出、图分析框架输入之间提供中立格式，替代私有序列化。
• 大图 out-of-core 分析：图规模超出内存时，用分块列式文件配合 Spark 等引擎分批处理。
• 图与表联合分析：图数据以 Parquet/ORC 形式与常规数仓表共用存储与计算栈。

6.2 限制与风险

• 孵化期项目：官网明确声明孵化状态（not necessarily a reflection of completeness...），API 与格式演进仍在进行，生产引入需评估治理风险。
• 仅源码发布：官方只发布源码包，二进制依赖自建，0.13.0 发布于 2025-08-29，节奏以社区驱动。
• 不是引擎：GraphAr 不提供图查询/索引/事务能力，需要查询能力仍需图数据库。
• 库成熟度不均：C++ 与 Spark 库文档与用例相对完善，Java/PySpark 能力以官方文档「Implementation status」描述为准（来源：官方文档站结构）。

七、同类选型对比

按「图数据存储/交换格式」同类族对比：Neo4j 导出格式（图数据库自带的 GraphML/APOC 导出链路）、GraphML（通用 XML 图交换格式规范）、Apache Arrow（列式内存格式基座，图格式常用其作为底层）。社区数据来源：GitHub 仓库页面 stargazerCount 实查与 GitHub Releases（查询日期 2026-10-18）。

选型建议：要把图数据长期放进数据湖、在 Spark 生态与自研服务间共享，GraphAr 是目前少有的面向属性图 + 列式文件的开放标准；已有 Neo4j 且只需搬迁数据，直接用其自带导出（GraphML/APOC）最省事；跨任意图工具的轻量交换用 GraphML 即可；若只需列式底座并自行定义图布局，可直接基于 Apache Arrow。

八、参考链接

• 官网：https://graphar.apache.org/
• 官方下载页：https://graphar.apache.org/download
• 文档总览：https://graphar.apache.org/docs/
• C++ 库入门：https://graphar.apache.org/docs/libraries/cpp/getting-started
• GitHub 仓库：https://github.com/apache/incubator-graphar
• v0.13.0 发布说明：https://github.com/apache/incubator-graphar/releases/tag/v0.13.0
• ASF 孵化器声明：https://graphar.apache.org/（页脚 Incubation 声明）