首先介绍传统图计算解决方案的不足，然后详细介绍了Pregel图计算模型、C++ API、体系结构和应用实例，最后，对PageRank算法在Pregel和MapReduce中的不同实现方式进行了比较，从而说明Pregel在处理图计算问题方面的优势

许多大数据都是以大规模图或网络的形式呈现。许多非图结构的大数据，也常常会被转换为图模型后进行分析。图数据结构很好地表达了数据之间的关联性。关联性计算是大数据计算的核心——通过获得数据的关联性，可以从噪音很多的海量数据中抽取有用的信息。很多传统的图计算算法都存在以下几个典型问题：常常表现出比较差的内存访问局部性针对单个顶点的处理工作过少计算过程中伴随着并行度的改变针对大型图（比如社交网络和网络图）的计算问题，可能的解决方案及其不足之处具体如下：为特定的图应用定制相应的分布式实现基于现有的分布式计算

许多大数据都是以大规模图或网络的形式呈现。 许多非图结构的大数据，也常常会被转换为图模型后进行分析。 图数据结构很好地表达了数据之间的关联性。 关联性计算是大数据计算的核心——通过获得数据的关联性，可以从噪音很多的海量数据中抽取有用的信息。 很多传统的图计算算法都存在以下几个典型问题：