近年来,随着互联网用户数不断增多,用户数据规模也在不断增大。而在这大量数据中,知识图数据显得至关重要,许多领域的数据都可以用知识图模型来进行表示,如社交网络、知识图谱和推荐算法等。大规模知识图查询处理通常采用分布式方案。分布式知识图查询处理需要解决两个关键点,保存数据分布信息和查询划分。为了向查询划分提供必要的索引信息和划分依据,通过使用基于主语和宾语的双向哈希划分,并在该基础上利用范围索引记录变量的范围值。同时,设计了范围索引的存储结构,在对数据进行导入时将模式的变量范围记录并保存,为运行时查询改写提供信息输入。检索范围索引时使用多次二分查找算法提高检索效率。查询划分采用基于节点度的星型查询分解算法,并使用查询改写和代价估计对划分后查询进行优化。该算法依据节点的度数信息将原始查询语句划分为多个本地子查询,通过范围索引提供的信息对本地子查询进行改写,以达到约束中间结果集数量,并减少网络通信开销的目的。实验部分分两部分进行测试。在数据划分上,使用多种不同大小的数据集对算法进行测试,结果表明,双向哈希划分算法具有线性数据划分时间和稳定的数据冗余率;在查询划分上,对比查询分解算法改进前后的性能数据,并和其他算法进行比较分析,证明了查询优化后的查询时间比优化前快30%,而比对比算法执行时间快15%。