共计 769 个字符，预计需要花费 2 分钟才能阅读完成。
在原始数据中，是以一个数组的模式返回节点信息及依赖关系。所以，须要对数据进行解决造成图所须要的数据，同时，利用多个 map 对数据进行存储，不便后续对数据进行检索，缩小工夫复杂度。
实例节点的款式须要通过根底图形 Text（文本）、Rect（矩形）、Icon（图标）进行组合，以达到咱们的设计要求。在后面提到，在简单的图场景中，须要将超过肯定数量的同层节点聚合起来，以达到清晰直观地传播图所要表白的信息的目标，所以须要对图的层级及节点进行解决，从而生成聚合节点和去掉多余的节点。
通常来说，DAG 的布局能够依照以下步骤实现。去环：包含自环和非自环，为节点分层做筹备。节点分层：给所有节点安顿适合的层级。节点排序：同层级内节点排序，缩小相邻层级中节点间断的交叉点数量。节点坐标调配：依据分层和同层节点的排序计算节点地位。而在火山引擎 Dataleap 场景中，节点的层级是有明确含意的，比方在节点 A 处于节点 B 的上方一层，且 A, B 之间有连线连贯，则可认为 A 是 B 的上游一层节点。因而与传统 DAG 布局产生了以下不同点，火山引擎 Dataleap 研发人员须要依据场景做定制。节点所在层级固定：DAG 布局既能反对主动计算层级，也能承受间接指定节点分层。可能产生同层级连线：将同一层级里有连线的节点进行分组，进行外部排序后，视为整体再参加以后层级的排序，以缩小交叉点的数量。
将来从功能设计上，火山引擎 Dataleap 会从用户的应用场景登程，辨别不同的性能满足用户的诉求。同时，在前端畛域中，针对大数据量的场景，须要判断这些大数据量的展现对用户是否存在价值，从大数据量中挖掘出用户的关注点并突出重点，不便用户疾速地进行查看剖析。从技术实现上，火山引擎 Dataleap 会联合业务，依据业务的特色去批改已有的 DAG 布局实现，以满足在不同的业务场景下，更好地将信息出现给用户。
