有向图的存储核心在于解决“方向性”与“稀疏性”的平衡，邻接矩阵适合稠密图，邻接表适合稀疏图，而十字链表则是有向图最精简的存储方案。
在计算机科学的底层逻辑里,图（Graph）不仅仅是节点和连线的集合，更是现实世界复杂关系的抽象映射，当你面对一个包含成千上万个网页链接的互联网，或者数百万条社交好友关系时，如何高效地“这些关系，直接决定了程序运行的生死，对于有向图而言，因为边具有方向性（A指向B，但B不一定指向A），其存储逻辑比无向图更为微妙，业内专家指出，选择合适的存储结构，能让查询效率从秒级提升到毫秒级。
邻接矩阵：直观但浪费空间的“二维表格”
邻接矩阵是最容易理解的存储方式,它像是一张巨大的Excel表格，行代表起点，列代表终点，如果存在从i到j的边，就在(i, j)位置标记为1（或权重），否则为0。
适用场景与性能分析
这种结构在稠密图中表现优异，所谓稠密图，是指边的数量接近节点数量的平方，在一个只有100个节点但拥有9000条边的社交网络子集中，邻接矩阵能极其快速地判断任意两点间是否有直接联系。
- 查询速度极快：判断两点间是否存在边，时间复杂度仅为O(1)，直接访问数组索引即可。
- 实现简单：代码逻辑直观，适合初学者理解图的基本概念。
它的致命缺陷在于空间复杂度为O(V²)，其中V是顶点数，如果节点数达到10万，矩阵将占用100亿个存储单元，即使大部分是0，内存也会瞬间爆炸，据工信部相关技术白皮书显示，在大规模稀疏网络中，邻接矩阵的资源浪费率往往超过95%，这在云端服务器成本高昂的今天是不可接受的。
代码实现逻辑
在实际编程中,通常使用二维数组或动态二维数组来存储，初始化时，将所有元素设为0或无穷大（表示无边），添加边时，只需执行matrix[start][end] = weight，这种操作虽然简单，但在处理大规模数据时，初始化矩阵本身就会消耗大量时间。
邻接表：空间效率的“折中方案”
为了解决邻接矩阵的空间浪费问题,邻接表应运而生，它采用“数组+链表”的结构：一个数组存储所有顶点，每个数组元素指向一个链表，链表中存储该顶点的所有出边邻居。
结构拆解与优势
邻接表是稀疏图的首选存储方式，在有向图中，每个节点只存储它指向的其他节点，完全忽略了不存在的边。
- 空间复杂度优化：空间复杂度降为O(V+E)，其中E是边数，对于大多数真实世界的网络（如微博、GitHub），E远小于V²，因此节省了大量内存。
- 遍历高效：查找某个节点的所有出边邻居时，只需遍历对应的链表，无需扫描整个矩阵。
具体操作路径
- 创建顶点数组,每个元素包含顶点数据和指向第一条出边的指针。
- 当添加边(u, v)时，创建新节点，将v存入节点，并将该节点插入u的链表头部。
- 删除边时,遍历u的链表，找到v所在节点并移除。
尽管邻接表在空间上表现优异,但在判断“是否存在从v到u的边”时，需要遍历v的链表，时间复杂度为O(V)或O(E/V)，不如邻接矩阵的O(1)高效，这种权衡在图存储结构对比中是经典考点，也是实际工程中选择数据结构的核心依据。
十字链表：有向图的“终极精简”
如果说邻接表解决了空间问题,那么十字链表（Orthogonal List）则是专门为有向图设计的“完美存储”，它不仅存储出边，还存储入边，使得对有向图的入度和出度查询都变得极其高效。
核心创新点
十字链表中的每个边节点包含五个域：tailvex（起点）、headvex（终点）、hlink（指向下一条以该顶点为头的边）、tlink（指向下一条以该顶点为尾的边）、info（边信息），顶点节点则包含data、firstin（第一条入边）、firstout（第一条出边）。
- 双向链接：通过hlink和tlink，边节点既属于起点的出边链表，也属于终点的入边链表。
- 入度出度易求：顶点的firstout和firstin指针直接指向相关边链表，计算入度或出度只需遍历对应链表，无需额外扫描。
为何选择十字链表
在需要频繁查询入度和出度的场景中,如编译器中的依赖分析、项目进度管理中的关键路径法（CPM），十字链表比邻接表更高效，邻接表只能快速访问出边，若要查询入边，必须遍历整个图或维护额外的逆邻接表，而十字链表通过一次存储，同时实现了出边和入边的快速访问，实现了空间与时间的双重优化。
如何选择：场景驱动决策
在实际开发中,没有最好的存储结构，只有最适合的，选择策略应基于图的密度、查询频率和内存限制。
决策流程图
- 评估密度，如果边数E接近V²，选择邻接矩阵，查询速度快，代码简单，内存压力相对可控。
- 评估稀疏性，如果E远小于V²，进入下一步。
- 评估查询需求。
- 若主要查询出边（如网页爬虫、推荐系统），选择
邻接表，实现简单，空间节省显著。
- 若需频繁查询入边或同时查询出入边（如依赖分析、拓扑排序优化），选择十字链表，虽然实现复杂，但查询效率最高。
- 若主要查询出边（如网页爬虫、推荐系统），选择
常见误区规避
许多初学者倾向于使用邻接矩阵,因为它写起来最快，但在节点数超过1万且边数稀疏时，这种选择会导致内存溢出（OOM），行业共识认为，在大数据时代，内存管理是性能优化的第一道防线，不要忽视邻接表与十字链表的区别，十字链表并非邻接表的简单变体，而是针对有向图特性的深度优化，其节点结构更复杂，但查询维度更全面。
Q&A：关于有向图存储的常见疑问
有向图的存储结构有哪些？
主要有三种：邻接矩阵、邻接表和十字链表，邻接矩阵适用于稠密图，查询最快但空间浪费大；邻接表适用于稀疏图，空间效率高，但查询入边不便；十字链表专为有向图设计，同时优化了入边和出边的存储与查询，是空间与效率的最佳平衡点。
邻接表和十字链表的区别是什么？
邻接表仅存储出边,每个边节点只链接到下一个出边；十字链表的边节点同时链接到下一个出边和下一个入边，顶点节点也分别指向第一条入边和第一条出边，十字链表在查询入度时比邻接表更高效，但实现和维护成本更高。
十字链表适合所有有向图吗？
十字链表在有向图中表现优异,尤其适合需要频繁查询入度和出边的场景，但对于极度稀疏且几乎不需要查询入边的图，邻接表可能更简单实用，选择时需权衡实现复杂度与查询需求，多数情况下，邻接表因其通用性仍是首选。
首发原创文章，作者：世雄 - 原生数据库架构专家，如若转载，请注明出处：https://idctop.com/article/205768.html
