小编Joh*_*ied的帖子

我有一个很大的 rdf 文件：

• 大小：470MB
• 行数：近600万行
• 独特的三重科目：约650,000
• 三倍金额：约4,200,000

我通过以下方式将 rdf 定义加载到 rdflib 的 berkeley db 后端：

graph = rdflib.Graph("Sleepycat")
graph.open("store", create=True)
graph.parse("authorities-geografikum_lds.rdf")

在我的笔记本上花了很多小时才完成。计算机的功能并不强大（Intel B980 CPU、4GB RAM、无 SSD），而且定义也很大，但完成这项任务的时间似乎相当长。也许部分是由于索引/优化数据结构？

真正令人恼火的是完成以下查询所需的时间：

SELECT (COUNT(DISTINCT ?s) as ?c)
WHERE {
    ?s ?p ?o
}

（结果：667,445）

花了20多分钟

SELECT (COUNT(?s) as ?c)
WHERE {
    ?s ?p ?o
}

（结果：4,197,399）

花了超过25分钟。

根据我的经验，如果有适当的索引，充满可比数据的关系型 DBMS 将在一小部分时间内完成相应的查询。

所以我的问题是：

为什么 rdflib 这么慢（尤其是对于查询）？

我可以像使用 RDBMS 中的索引一样调整/优化数据库吗？

从性能角度来看，另一个（免费且“紧凑”）三重存储是否更适合这种大小的数据？

当我使用fuzzystrmatch levenshtein函数与变音符号一起使用时，它返回错误/多字节无知的结果：

select levenshtein(\'a\xcc\xa8\', \'x\');\nlevenshtein \n-------------\n       2\n

（注意：第一个字符是一个“a”，下面有一个变音符号，我复制到这里后它没有正确呈现）

fuzzystrmatch文档（https://www.postgresql.org/docs/9.1/fuzzystrmatch.html）警告：

\n

目前，soundex、metaphone、dmetaphone 和 dmetaphone_alt 函数不能很好地处理多字节编码（例如 UTF-8）。

\n

但由于它没有命名levenshtein函数，我想知道是否有 levenshtein的多字节感知版本的多字节感知版本。

我知道我可以使用非重音函数作为解决方法，但我需要保留变音符号。