如何减少TDB支持的Jena数据集的大小？

Question

我使用的是一个简单的Jena数据集，它只导入了一个~30 MB的RDF文件。作为应用程序的一部分，我试图让用户查询默认图(或命名图)，并将查询的结果三元组插入到新的命名图中。为此，我使用一个构造语句以RDF形式形成三元组的结果集，然后将这些三元组放入一个新模型(使用QueryExecution.execConstruct())并将该模型添加到dataset中。随着dataset获得一个新的图形节点，并且TDB数据库文件夹的磁盘大小增大，这似乎再次工作。

当我试图从dataset中删除一个命名图时，这里出现了这个问题。使用dataset的removeNamedName("graphName")方法，我从dataset中删除模型。将来对该模型名称的查询显示它已经成功地被删除了。但是，即使在同步和退出之后，TDB数据库文件夹的磁盘大小仍然相同。

起初，我认为数据库可能只是将已删除的文件空间标记为空闲的，以便在新数据进入时可以覆盖它，但情况似乎并非如此。如果我删除一个命名图并在同一程序运行后立即替换它，文件夹似乎不会增长，但是如果我添加一个新的命名图并在相同的运行中删除它，文件夹的大小会变大，模型的删除不会释放内存，这意味着在运行几次之后，数据库文件夹的大小是原始大小的五到十倍，而不包含任何数据。

任何见解或帮助都会很好，再次感谢。

Answer 1

通过询问耶拿邮件列表(users@jena.apache.org)，您可能会获得更多的洞察力，但我将尝试回答。您也可以看看网站上的TDB体系结构页面。

TDB通过构建一个节点表来存储数据，该表将RDF节点映射为64位整数it，反之亦然。然后，它使用这些整数It构建单独的索引，从而允许它执行回答SPARQL查询所需的各种数据库扫描。

添加数据可能会向这两种结构(节点表和索引)添加条目，但删除数据只会从索引中删除数据。因此，随着时间的推移，节点表将继续增长，即使您删除了旧数据，因为它没有从节点表中删除。

这背后的实际原因有两个：

1. 整数ID部分编码文件偏移，因此ID到节点查找是一个快速文件扫描，因此，随着数据被删除，您不能删除节点表的一部分，而不必重写所有节点ID，即ID ->节点方向上的节点表是一个顺序文件(有助于非常快地插入)。
2. 当数据被删除时，您不知道某个节点是否被多次使用而不执行完整的数据库扫描。因此，您无法判断节点表条目是否应该首先删除。要做到这一点，唯一可行的方法是实施一个完整的引用计数方案，它本身将增加系统的复杂性，并减缓添加和删除。

免责声明--我是Jena项目的提交人，但是从来没有就TDB组件做过任何个人工作，所以这反映了我最好的理解，而且可能不是完全准确的。