图的规模越来越大,使得图数据存储以及高效执行图计算变得非常具有挑战性。无损压缩技术就是一种为减少图数据大小来适应内存的常用办法。压缩方式对于降低大规模图数据计算的成本至关重要。但是现有图数据压缩技术依旧存在压缩比低,解压开销大的问题。针对压缩比低的问题,能通过对图节点进行排序的方法挖掘图数据的局部性提升压缩率;针对计算时解压开销大的问题,选择一种新型编码方式在保证压缩效果的同时可以减少解压开销。但是现有的图节点排序算法挖掘的局部性较低或是代价偏高,导致图压缩率不高或排序时间较长。因此,本研究提出了一种新的图压缩框架,使用可以支持图应用算法直接运行的IndexedBitArrayEdges编码方式,建立了空间损失函数,提出一种挖掘边聚集度的排序算法HCSA,采用层次聚类排序,以使相似性高的节点聚在同一类中。为最小化空间损失函数,减少非空块的存储位数,提出一种使用非共同邻居数作为集合间距离的度量方式,为聚类算法提供准确测量依据。所提出的HCSA排序算法,可以较好的提高图数据的局部性,进而提高图数据的压缩率。同时在基本操作上,压缩后的图数据与稀疏矩阵存储格式具有同样的时间量级,进而保障了图应用算法的运行效率。测试结果表明,HCSA算法压缩率比Log（Graph）提高l0%～40%,比DNRGC排序算法压缩率提高10%～33%。对于BFS算法和Page Rank算法,在执行效率上比Slash Burn高10%～44%,仅在少部分图类型上略逊于Log（Graph）和未压缩原图。