spring - star - ¿Por qué la velocidad del inserto de neo4j es tan baja en este ejemplo?

spring project

Question

Quería probar la velocidad de inserción con los últimos datos de primavera neo4j 4. Modifiqué el ejemplo de las películas para hacer las cosas simples y comparables.

Intenta ejecutar la clase de prueba: movies.spring.data.neo4j.repositories.PersonRepositoryTest aquí.

Se necesitan 5 segundos para agregar 400 nodos en este ejemplo. https://github.com/fodon/neo4j-spring-data-speed-demo

Esta es una prueba de velocidad con la versión anterior de neo4j https://github.com/fodon/gs-accessing-data-neo4j-speed

La clase hello.Application es aproximadamente 40 veces más rápida que spring-data-neo4j-4 para el mismo trabajo.

¿Por qué spring-data-neo4j-4 es más lento que la versión anterior? ¿Cómo se puede acelerar?

Answer 1

Una llamada a save() es en realidad una solicitud de persitencia directa en contra de la base de datos. Actualmente no existe la noción de diferir las llamadas a save ().

Al activar el registro de consultas al agregar un archivo logback-test.xml a sus recursos de prueba:

<?xml version="1.0" encoding="UTF-8"?>
<configuration>
<appender name="console" class="ch.qos.logback.core.ConsoleAppender">
<encoder>
<pattern>%d %5p %40.40c:%4L - %m%n</pattern>
</encoder>
</appender>
<logger name="org.neo4j.ogm" level="info" />
<root level="info">
<appender-ref ref="console" />
</root>
</configuration>

Puedes ver que para cada Person.save() realmente hará 3 solicitudes:

• 1 para guardar los objetos del coche
• 1 para guardar el objeto Persona
• 1 para crear las relaciones

-

2016-07-25 05:27:51,093 INFO drivers.embedded.request.EmbeddedRequest: 155 - Request: UNWIND {rows} as row CREATE (n:`Car`) SET n=row.props RETURN row.nodeRef as nodeRef, ID(n) as nodeId with params {rows=[{nodeRef=-590487524, props={type=f27dc1bac12a480}}, {nodeRef=-1760792732, props={type=41ff5d3a69b4a5b4}}, {nodeRef=-637840556, props={type=3e7e77ca5e406a21}}]}
2016-07-25 05:27:54,117 INFO drivers.embedded.request.EmbeddedRequest: 155 - Request: UNWIND {rows} as row CREATE (n:`Person`) SET n=row.props RETURN row.nodeRef as nodeRef, ID(n) as nodeId with params {rows=[{nodeRef=-1446435394, props={name=bafd7ad2721516f8}}]}
2016-07-25 05:27:54,178 INFO drivers.embedded.request.EmbeddedRequest: 155 - Request: UNWIND {rows} as row MATCH (startNode) WHERE ID(startNode) = row.startNodeId MATCH (endNode) WHERE ID(endNode) = row.endNodeId MERGE (startNode)-[rel:`HAS`]->(endNode) RETURN row.relRef as relRefId, ID(rel) as relId with params {rows=[{startNodeId=3, relRef=-712176789, endNodeId=0}, {startNodeId=3, relRef=-821487247, endNodeId=1}, {startNodeId=3, relRef=-31523689, endNodeId=2}]}

El rendimiento sería mejor si, en cambio, la declaración para la creación de la persona simplemente utilizara como parámetro las 100 personas a la vez, y lo mismo para los objetos del automóvil.

A partir de ahora no existe una función nativa lista para usar en el OGM (número abierto: https://github.com/neo4j/neo4j-ogm/issues/208

Sin embargo, puede agruparlos saving una colección en lugar de uno por uno:

@Test
@DirtiesContext
public void speedTest2() {
SessionFactory sessionFactory = new SessionFactory("hello.neo.domain");
Session session = sessionFactory.openSession();
Random rand = new Random(10);
System.out.println("Before linking up with Neo4j...");
long start = System.currentTimeMillis();
long mark = start;
for (int j = 0; j < 10; j++) {
List<Person> batch = new ArrayList<>();
for (int i = 0; i < 100; i++) {
Person greg = new Person(rand);
batch.add(greg);
}
session.save(batch);
long now = System.currentTimeMillis();
System.out.format("%d : Time:%d/n", j, now - mark);
mark = now;
}
}

Puedes ver que la diferencia de resultados es muy impresionante:

Not initialzing DB.
Before linking up with Neo4j...
0 : Time:7318
1 : Time:1731
2 : Time:1555
3 : Time:1481
4 : Time:1237
5 : Time:1176
6 : Time:1101
7 : Time:1094
8 : Time:1114
9 : Time:1015
Not initialzing DB.
Before linking up with Neo4j...
0 : Time:494
1 : Time:272
2 : Time:230
3 : Time:442
4 : Time:320
5 : Time:247
6 : Time:284
7 : Time:288
8 : Time:366
9 : Time:222