whitespace for the rest

CONTRIBUTING.md

@@ -25,5 +25,4 @@
 - 在 GitHub 提交 [issue][_issues]。
 - [Fork](https://github.com/vesoft-inc/nebula-docs-cn/fork) 文档，在本地分支上更改或添加新内容，然后向主分支提交 PR。
 
-
 [_issues]: https://github.com/vesoft-inc/nebula-docs-cn/issues

docs-2.0/README.md

@@ -1,4 +1,4 @@
-# 欢迎阅读Nebula Graph {{ nebula.release }} 文档
+# 欢迎阅读 Nebula Graph {{ nebula.release }} 文档
 
 !!! Note "确认正在阅读最新的版本"
 
@@ -8,7 +8,7 @@
     本文档更新时间{{ now().year }}-{{ now().month }}-{{ now().day }}, [GitHub commit](https://github.com/vesoft-inc/nebula-docs/commits/v{{nebula.release}}) {{ git.short_commit }}。
 -->
 
-Nebula Graph是一款开源的、分布式的、易扩展的原生图数据库，能够承载数千亿个点和数万亿条边的超大规模数据集，并且提供毫秒级查询。
+Nebula Graph 是一款开源的、分布式的、易扩展的原生图数据库，能够承载数千亿个点和数万亿条边的超大规模数据集，并且提供毫秒级查询。
 
 ## 快速开始
 
@@ -30,7 +30,6 @@ Graph 完全指南》](https://docs.nebula-graph.com.cn/site/pdf/NebulaGraph-boo
 
 ## 图例说明
 
-
 <!-- 
 本文有 40+ 个 caution。
 本文有 30+ 个 danger。
@@ -47,7 +46,7 @@ Graph 完全指南》](https://docs.nebula-graph.com.cn/site/pdf/NebulaGraph-boo
 
 !!! danger
 
-    会引发危险的事项。不遵守danger必定会导致系统故障、数据丢失、安全问题等。
+    会引发危险的事项。不遵守 danger 必定会导致系统故障、数据丢失、安全问题等。
 
 !!! performance
 
@@ -59,7 +58,7 @@ Graph 完全指南》](https://docs.nebula-graph.com.cn/site/pdf/NebulaGraph-boo
 
 !!! compatibility
 
-    nGQL与openCypher的兼容性或nGQL当前版本与历史版本的兼容性。
+    nGQL 与 openCypher 的兼容性或 nGQL 当前版本与历史版本的兼容性。
 
 !!! enterpriseonly
 

docs-2.0/nebula-algorithm.md

@@ -1,34 +1,34 @@
 # Nebula Algorithm
 
-[Nebula Algorithm](https://github.com/vesoft-inc/nebula-algorithm) （简称Algorithm）是一款基于[GraphX](https://spark.apache.org/graphx/)的Spark应用程序，通过提交Spark任务的形式使用完整的算法工具对Nebula Graph数据库中的数据执行图计算，也可以通过编程形式调用lib库下的算法针对DataFrame执行图计算。
+[Nebula Algorithm](https://github.com/vesoft-inc/nebula-algorithm) （简称 Algorithm）是一款基于 [GraphX](https://spark.apache.org/graphx/) 的 Spark 应用程序，通过提交 Spark 任务的形式使用完整的算法工具对 Nebula Graph 数据库中的数据执行图计算，也可以通过编程形式调用 lib 库下的算法针对 DataFrame 执行图计算。
 
 ## 前提条件
 
 在使用 Algorithm 之前，用户需要确认以下信息：
 
-- Nebula Graph 服务已经部署并启动。详细信息，参考[Nebula Graph安装部署](4.deployment-and-installation/1.resource-preparations.md "点击前往 Nebula Graph 安装部署")。
+- Nebula Graph 服务已经部署并启动。详细信息，参考 [Nebula Graph 安装部署](4.deployment-and-installation/1.resource-preparations.md "点击前往 Nebula Graph 安装部署")。
 
 - Spark 版本为 2.4.x。
 
 - Scala 版本为 2.11。
 
-- （可选）如果用户需要在Github中克隆最新的Algorithm，并自行编译打包，可以选择安装[Maven](https://maven.apache.org/download.cgi)。
+- （可选）如果用户需要在 Github 中克隆最新的 Algorithm，并自行编译打包，可以选择安装 [Maven](https://maven.apache.org/download.cgi)。
 
 ## 使用限制
 
-点ID的数据必须为整数，即点ID可以是INT类型，或者是String类型但数据本身为整数。
+点 ID 的数据必须为整数，即点 ID 可以是 INT 类型，或者是 String 类型但数据本身为整数。
 
-对于非整数的String类型数据，推荐使用调用算法接口的方式，可以使用SparkSQL的`dense_rank`函数进行编码，将String类型转换为Long类型。
+对于非整数的 String 类型数据，推荐使用调用算法接口的方式，可以使用 SparkSQL 的`dense_rank`函数进行编码，将 String 类型转换为 Long 类型。
 
 ## 支持算法
 
-Nebula Algorithm支持的图计算算法如下。
+Nebula Algorithm 支持的图计算算法如下。
 
  |           算法名          |说明|应用场景|
  |:------------------------|:-----------|:----|
  |         PageRank         |  页面排序  | 网页排序、重点节点挖掘|
  |         Louvain          |  社区发现  | 社团挖掘、层次化聚类|
- |          KCore           |    K核    |社区发现、金融风控|
+ |          KCore           |    K 核    |社区发现、金融风控|
  |     LabelPropagation     |  标签传播  |资讯传播、广告推荐、社区发现|
  |    ConnectedComponent    |  联通分量  |社区发现、孤岛发现|
  |StronglyConnectedComponent| 强联通分量  |社区发现|
@@ -40,17 +40,17 @@ Nebula Algorithm支持的图计算算法如下。
 
 ## 实现方法
 
-Nebula Algorithm实现图计算的流程如下：
+Nebula Algorithm 实现图计算的流程如下：
 
-1. 利用Nebula Spark Connector从Nebula Graph数据库中读取图数据为DataFrame。
+1. 利用 Nebula Spark Connector 从 Nebula Graph 数据库中读取图数据为 DataFrame。
 
-2. 将DataFrame转换为GraphX的图。
+2. 将 DataFrame 转换为 GraphX 的图。
 
-3. 调用GraphX提供的图算法（例如PageRank）或者自行实现的算法（例如Louvain社区发现）。
+3. 调用 GraphX 提供的图算法（例如 PageRank）或者自行实现的算法（例如 Louvain 社区发现）。
 
-详细的实现方法可以参见相关[Scala文件](https://github.com/vesoft-inc/nebula-algorithm/tree/master/nebula-algorithm/src/main/scala/com/vesoft/nebula/algorithm/lib)。
+详细的实现方法可以参见相关 [Scala 文件](https://github.com/vesoft-inc/nebula-algorithm/tree/master/nebula-algorithm/src/main/scala/com/vesoft/nebula/algorithm/lib)。
 
-## 获取Nebula Algorithm
+## 获取 Nebula Algorithm
 
 ### 编译打包
 
@@ -74,15 +74,15 @@ Nebula Algorithm实现图计算的流程如下：
 
 编译完成后，在目录`nebula-algorithm/target`下生成类似文件`nebula-algorithm-{{algorithm.release}}.jar`。
 
-### Maven远程仓库下载
+### Maven 远程仓库下载
 
 [下载地址](https://repo1.maven.org/maven2/com/vesoft/nebula-algorithm/{{algorithm.release}}/)
 
 ## 使用方法
 
 ### 调用算法接口（推荐）
 
-`lib`库中提供了10种常用图计算算法，用户可以通过编程调用的形式调用算法。
+`lib`库中提供了 10 种常用图计算算法，用户可以通过编程调用的形式调用算法。
 
 1. 在文件`pom.xml`中添加依赖。
 
@@ -94,11 +94,11 @@ Nebula Algorithm实现图计算的流程如下：
   </dependency>
   ```
 
-2. 传入参数调用算法（以PageRank为例）。更多算法请参见[测试用例](https://github.com/vesoft-inc/nebula-algorithm/tree/master/nebula-algorithm/src/test/scala/com/vesoft/nebula/algorithm/lib)。
+2. 传入参数调用算法（以 PageRank 为例）。更多算法请参见 [测试用例](https://github.com/vesoft-inc/nebula-algorithm/tree/master/nebula-algorithm/src/test/scala/com/vesoft/nebula/algorithm/lib)。
 
   !!! note
 
-        执行算法的DataFrame默认第一列是起始点，第二列是目的点，第三列是边权重（非Nebula Graph中的Rank）。
+        执行算法的 DataFrame 默认第一列是起始点，第二列是目的点，第三列是边权重（非 Nebula Graph 中的 Rank）。
 
   ```bash
   val prConfig = new PRConfig(5, 1.0)
@@ -108,63 +108,63 @@ Nebula Algorithm实现图计算的流程如下：
 ### 直接提交算法包
 
 !!! note
-    使用封装好的算法包有一定的局限性，例如落库到Nebula Graph时，落库的图空间中创建的Tag的属性名称必须和代码内预设的名称保持一致。如果用户有开发能力，推荐使用第一种方法。
+    使用封装好的算法包有一定的局限性，例如落库到 Nebula Graph 时，落库的图空间中创建的 Tag 的属性名称必须和代码内预设的名称保持一致。如果用户有开发能力，推荐使用第一种方法。
 
-1. 设置[配置文件](https://github.com/vesoft-inc/nebula-algorithm/blob/{{algorithm.branch}}/nebula-algorithm/src/main/resources/application.conf)。
+1. 设置 [配置文件](https://github.com/vesoft-inc/nebula-algorithm/blob/{{algorithm.branch}}/nebula-algorithm/src/main/resources/application.conf)。
 
   ```bash
   {
-      # Spark相关配置
+      # Spark 相关配置
       spark: {
       app: {
           name: LPA
-          # Spark分片数量
+          # Spark 分片数量
           partitionNum:100
       }
       master:local
       }
 
       data: {
-      # 数据源，可选值为nebula、csv、json。
+      # 数据源，可选值为 nebula、csv、json。
       source: nebula
-      # 数据落库，即图计算的结果写入的目标，可选值为nebula、csv、json。
+      # 数据落库，即图计算的结果写入的目标，可选值为 nebula、csv、json。
       sink: nebula
       # 算法是否需要权重。
       hasWeight: false
       }
 
-      # Nebula Graph相关配置
+      # Nebula Graph 相关配置
       nebula: {
-      # 数据源。Nebula Graph作为图计算的数据源时，nebula.read的配置才生效。
+      # 数据源。Nebula Graph 作为图计算的数据源时，nebula.read 的配置才生效。
       read: {
-          # 所有Meta服务的IP地址和端口，多个地址用英文逗号（,）分隔。格式: "ip1:port1,ip2:port2"。
-          # 使用docker-compose部署，端口需要填写docker-compose映射到外部的端口
+          # 所有 Meta 服务的 IP 地址和端口，多个地址用英文逗号（,）分隔。格式："ip1:port1,ip2:port2"。
+          # 使用 docker-compose 部署，端口需要填写 docker-compose 映射到外部的端口
           # 可以用`docker-compose ps`查看
           metaAddress: "192.168.*.10:9559"
-          # Nebula Graph图空间名称
+          # Nebula Graph 图空间名称
           space: basketballplayer
-          # Nebula Graph Edge type, 多个labels时，多个边的数据将合并。
+          # Nebula Graph Edge type, 多个 labels 时，多个边的数据将合并。
           labels: ["serve"]
-          # Nebula Graph每个Edge type的属性名称，此属性将作为算法的权重列，请确保和Edge type对应。
+          # Nebula Graph 每个 Edge type 的属性名称，此属性将作为算法的权重列，请确保和 Edge type 对应。
           weightCols: ["start_year"]
       }
 
-      # 数据落库。图计算结果落库到Nebula Graph时，nebula.write的配置才生效。
+      # 数据落库。图计算结果落库到 Nebula Graph 时，nebula.write 的配置才生效。
       write:{
-          # Graph服务的IP地址和端口, 多个地址用英文逗号（,）分隔。格式: "ip1:port1,ip2:port2"。
-          # 使用docker-compose部署，端口需要填写docker-compose映射到外部的端口
+          # Graph 服务的 IP 地址和端口，多个地址用英文逗号（,）分隔。格式："ip1:port1,ip2:port2"。
+          # 使用 docker-compose 部署，端口需要填写 docker-compose 映射到外部的端口
           # 可以用`docker-compose ps`查看
           graphAddress: "192.168.*.11:9669"
-          # 所有Meta服务的IP地址和端口，多个地址用英文逗号（,）分隔。格式: "ip1:port1,ip2:port2"。
-          # 使用docker-compose部署，端口需要填写docker-compose映射到外部的端口
+          # 所有 Meta 服务的 IP 地址和端口，多个地址用英文逗号（,）分隔。格式："ip1:port1,ip2:port2"。
+          # 使用 docker-compose 部署，端口需要填写 docker-compose 映射到外部的端口
           # 可以用`docker-compose ps`查看
           metaAddress: "192.168.*.12:9559"
           user:root
           pswd:nebula
-          # 在提交图计算任务之前需要自行创建图空间及Tag
-          # Nebula Graph图空间名称
+          # 在提交图计算任务之前需要自行创建图空间及 Tag
+          # Nebula Graph 图空间名称
           space:nb
-          # Nebula Graph Tag名称，图计算结果会写入该Tag。Tag中的属性名称固定如下：
+          # Nebula Graph Tag 名称，图计算结果会写入该 Tag。Tag 中的属性名称固定如下：
           # PageRank：pagerank
           # Louvain：louvain
           # ConnectedComponent：cc
@@ -180,82 +180,79 @@ Nebula Algorithm实现图计算的流程如下：
       }  
 
       local: {
-      # 数据源。图计算的数据源为csv文件或json文件时，local.read的配置才生效。
+      # 数据源。图计算的数据源为 csv 文件或 json 文件时，local.read 的配置才生效。
       read:{
           filePath: "hdfs://127.0.0.1:9000/edge/work_for.csv"
-          # 如果CSV文件没有表头，使用[_c0, _c1, _c2, ..., _cn]表示其表头，有表头或者是json文件时，直接使用表头名称即可。
-          # 起始点ID列的表头。
+          # 如果 CSV 文件没有表头，使用 [_c0, _c1, _c2, ..., _cn] 表示其表头，有表头或者是 json 文件时，直接使用表头名称即可。
+          # 起始点 ID 列的表头。
           srcId:"_c0"
-          # 目的点ID列的表头。
+          # 目的点 ID 列的表头。
           dstId:"_c1"
           # 权重列的表头
           weight: "_c2"
-          # csv文件是否有表头
+          # csv 文件是否有表头
           header: false
-          # csv文件的分隔符
+          # csv 文件的分隔符
           delimiter:","
       }
 
-      # 数据落库。图计算结果落库到csv文件或text文件时，local.write的配置才生效。
+      # 数据落库。图计算结果落库到 csv 文件或 text 文件时，local.write 的配置才生效。
       write:{
           resultPath:/tmp/
       }
-      }
-
 
       algorithm: {
       # 需要执行的算法，可选值为：pagerank、louvain、connectedcomponent、
       # labelpropagation、shortestpaths、degreestatic、kcore、
       # stronglyconnectedcomponent、trianglecount、betweenness
       executeAlgo: pagerank
 
-      # PageRank参数
+      # PageRank 参数
       pagerank: {
           maxIter: 10
-          resetProb: 0.15  # 默认为0.15
+          resetProb: 0.15  # 默认为 0.15
       }
 
-      # Louvain参数
+      # Louvain 参数
       louvain: {
           maxIter: 20
           internalIter: 10
           tol: 0.5
       }
 
-     # ConnectedComponent/StronglyConnectedComponent参数
+     # ConnectedComponent/StronglyConnectedComponent 参数
      connectedcomponent: {
          maxIter: 20
      }
 
-     # LabelPropagation参数
+     # LabelPropagation 参数
      labelpropagation: {
          maxIter: 20
      }
 
-      # ShortestPath参数
+      # ShortestPath 参数
       shortestpaths: {
           # several vertices to compute the shortest path to all vertices.
           landmarks: "1"
       }
 
-      # DegreeStatic参数
+      # DegreeStatic 参数
       degreestatic: {}
 
-      # KCore参数
+      # KCore 参数
       kcore:{
           maxIter:10
           degree:1
       }
 
-      # TriangleCount参数
+      # TriangleCount 参数
       trianglecount:{}
 
-      # BetweennessCentrality参数
+      # BetweennessCentrality 参数
       betweenness:{
           maxIter:5
       }
   }
-  }
   ```
 
 2. 提交图计算任务。
@@ -272,5 +269,5 @@ Nebula Algorithm实现图计算的流程如下：
 
 ## 视频
 
-* [图计算工具——Nebula Algorithm 介绍](https://www.bilibili.com/video/BV1fB4y1T7XK)（2分36秒）
+* [图计算工具——Nebula Algorithm 介绍](https://www.bilibili.com/video/BV1fB4y1T7XK)（2 分 36 秒）
 <iframe src="//player.bilibili.com/player.html?aid=588577467&bvid=BV1fB4y1T7XK&cid=351282857&page=1&high_quality=1" scrolling="no" border="0" frameborder="no" framespacing="0" allowfullscreen="true" width="720px" height="480px"> </iframe>

docs-2.0/nebula-bench.md

@@ -1,24 +1,23 @@
 # Nebula Bench
 
-Nebula Bench是一款利用LDBC数据集对Nebula Graph进行性能测试的工具。
+Nebula Bench 是一款利用 LDBC 数据集对 Nebula Graph 进行性能测试的工具。
 
 ## 适用场景
 
-- 生成测试数据并导入Nebula Graph。
+- 生成测试数据并导入 Nebula Graph。
 
-- 对Nebula Graph集群进行性能测试。
+- 对 Nebula Graph 集群进行性能测试。
 
 ## 更新说明
 
 [Release](https://github.com/vesoft-inc/nebula-bench/releases/tag/{{bench.tag}})
 
 ## 测试流程
 
-1. 使用ldbc_snb_datagen生成测试数据。
+1. 使用 ldbc_snb_datagen 生成测试数据。
 
-2. 使用importer导入数据到Nebula Graph。
+2. 使用 importer 导入数据到 Nebula Graph。
 
-3. 使用K6（含xk6-nebula插件）进行性能测试。
-
-详细使用说明请参见[Nebula Bench](https://github.com/vesoft-inc/nebula-bench/blob/{{bench.branch}}/README_cn.md)。
+3. 使用 K6（含 xk6-nebula 插件）进行性能测试。
 
+详细使用说明请参见 [Nebula Bench](https://github.com/vesoft-inc/nebula-bench/blob/{{bench.branch}}/README_cn.md)。