**Neo4J：**它是一个图形数据库，可以帮助识别通常来自磁盘的关系和实体数据。它的普及和选择是在这个link。但是当它需要处理非常大的数据集和真实的处理以产生图形结果/表示时，它需要水平缩放。在这种情况下，Neo4J与Apache Spark的组合将give significant performance benefits in such a way Spark will serve as an external graph compute solution.

Mazerunner是一个扩展了Neo4J的分布式图形处理平台。它使用消息代理来处理将图形处理作业分发到Apache Spark GraphX模块。

**GraphX：**GraphX是Spark中用于图和图并行计算的新组件。在高层次上，GraphX通过引入新的Graph抽象来扩展Spark RDD：每个顶点和边都有属性的有向多重图。它支持多种Graph算法。
**结论：**始终建议使用Neo4j与GraphX as they both easier to integrate.的混合组合

对于真实的处理和处理大型数据集，请将neo4j与GraphX结合使用。
对于简单的持久性和显示实体关系的简单图形显示表示使用独立的neo4j。

Neo4j：我没有用过它，但我认为它可以在一台机器上完成所有的图形计算（如pagerank）。它能处理你的数据集吗？这可能取决于您的整个图形是否适合内存，如果不适合，它处理磁盘数据的效率如何。它可能会遇到与Octave相同的问题。
Spark GraphX：GraphX将图形数据（顶点和边）划分到一个机器集群中。这为您提供了计算中的水平可伸缩性和并行性。您可能需要考虑的一些事情：它现在只有Scala API（还没有Python）。它可以进行PageRank、三角形计数和连接组件，但您可能需要使用提供的图形API（例如pregel）自己实现聚类系数和直径。编程指南提供了支持的算法列表：https://spark.apache.org/docs/latest/graphx-programming-guide.html

GraphX更像是一个实时处理数据的框架，它可以（并且更好地）以图形形式表示数据。使用GraphX，你可以使用各种需要大量处理能力（RAM和CPU）的算法，而使用neo4j，你可以（可靠地）持久化和更新这些数据。这就是我的建议。
我确信@kennybastani在这方面做了一些非常有趣的改进，你可以看看他的mazerunner解决方案。它也作为docker镜像提供，所以你可以用棍子戳它，自己看看你是否喜欢它。
此镜像使用Apache Spark部署容器，并使用GraphX对从Neo4j导出的子图执行ETL图分析。将分析结果应用回Neo4j数据库中的数据。

也许GRAPE-JDK就是您需要的图计算框架。

GRAPE-JDK是GraphScope社区提供的一款高性能、人性化的图计算Java SDK，不仅支持原生PIE计算模型，还可以无缝迁移Giraph Algo和GraphX Algo运行在GraphScope上。如果使用GRAPE-JDK编写图形算法，您的程序甚至可以实现类似于C++算法的性能。想要了解更多信息？单击此链接查看。Breaking the Language Barrier in Large Scale Graph Computing。

如果你对它的原理感兴趣，GRAPE-JDK使用FastFFI封装了C++ API，JNI的胶水代码可以自动生成。同时，LLVM 4JNI可以将LLVM编译的位码转换为Java字节码，从而提供JVM JIT的效果。
免责声明：我是GraphScope的作者。