我正在尝试运行一个连接表自身的查询,并进行模糊字符串比较(使用trigram比较)来查找可能的公司名称匹配 . 我的目标是返回记录,其中一个记录的公司名称(ref_name字段)的三元组相似性与另一个记录的公司名称相匹配 . 目前,我的阈值设置为0.9,因此它只会返回很可能包含类似字符串的匹配项 .
我知道自联接本质上可以导致许多比较,但我想尽我所能地优化我的查询 . 我不需要即时结果,但是目前我运行的查询需要11个小时才能运行 .
我在Ubuntu 12.04服务器上运行Postgres 9.2 . 我不是't know what the max length of the ref_name field (field I' m匹配)是,所以我把它设置为 varchar(300)
. 我想知道将它设置为文本类型可能会影响性能,或者是否有更好的字段类型可用于加速性能 . 我的 LC_CTYPE
和 LC_COLLATE
语言环境设置为 "en_US.UTF-8"
我运行查询的表总共包含大约160万条记录,但运行了11个小时的查询只占一小部分(约100k) .
表结构:
CREATE TABLE ref_name (
ref_name_id integer,
ref_name character varying(300),
ref_name_type character varying(2),
name_display text,
load_date timestamp without time zone
)
索引:
CREATE INDEX ref_name_ref_name_trigram_idx ON ref_name
USING gist (ref_name COLLATE pg_catalog."default" gist_trgm_ops);
CREATE INDEX ref_name_ref_name_trigram_idx_1 ON ref_name
USING gist (ref_name COLLATE pg_catalog."default" gist_trgm_ops)
WHERE ref_name_type::text = 'E'::text;
CREATE INDEX ref_name_ref_name_e_idx ON ref_name
USING btree (ref_name COLLATE pg_catalog."default")
WHERE ref_name_type::text = 'E'::text;
查询:
select a.ref_name_id as name_id,a.ref_name AS name,
a.name_display AS name_display,b.ref_name_id AS matched_name_id,
b.ref_name AS matched_name,b.name_display AS matched_name_display
from ref_name a
JOIN ref_name b
ON a.ref_name_id<>b.ref_name_id
AND a.ref_name_id>b.ref_name_id
AND a.ref_name % b.ref_name
WHERE
a.ref_name ~>=~ 'A' and a.ref_name ~<~'B'
AND b.ref_name ~>=~ 'A' and b.ref_name ~<~'B'
AND a.ref_name_type='E'
AND b.ref_name_type='E'
解释计划:
"Nested Loop (cost=0.00..8560728.16 rows=3598470 width=96)"
" -> Seq Scan on ref_name a (cost=0.00..96556.12 rows=103901 width=48)"
" Filter: (((ref_name)::text ~>=~ 'A'::text) AND ((ref_name)::text ~<~ 'B'::text) AND ((ref_name_type)::text = 'E'::text))"
" -> Index Scan using ref_name_ref_name_trigram_idx_1 on ref_name b (cost=0.00..80.41 rows=35 width=48)"
" Index Cond: ((a.ref_name)::text % (ref_name)::text)"
" Filter: (((ref_name)::text ~>=~ 'A'::text) AND ((ref_name)::text ~<~ 'B'::text) AND (a.ref_name_id <> ref_name_id) AND (a.ref_name_id > ref_name_id))"
以下是一些示例记录:
1652632;"A 123 SYSTEMS";"E";"A 123 SYSTEMS INC";"2014-11-14 00:00:00"
1652633;"A123 SYSTEMS";"E";"A123 SYSTEMS INC";"2014-11-14 00:00:00"
1652640;"A 1 ACCOUSTICS";"E";"A-1 ACCOUSTICS";"2014-11-14 00:00:00"
1652641;"A 1 ACOUSTICS";"E";"A-1 ACOUSTICS";"2014-11-14 00:00:00"
1652642;"A1 ACOUSTICS";"E";"A1 ACOUSTICS INC";"2014-11-14 00:00:00"
1652650;"A 1 A ELECTRICAL";"E";"A-1 A ELECTRICAL INC";"2014-11-14 00:00:00"
1652651;"A 1 A ELECTRICIAN";"E";"A 1 A ELECTRICIAN INC";"2014-11-14 00:00:00"
1652652;"A 1A ELECTRICIAN";"E";"A 1A ELECTRICIAN INC";"2014-11-14 00:00:00"
1652653;"A1 A ELECTRICIAN";"E";"A1 A ELECTRICIAN INC";"2014-11-14 00:00:00"
1691270;"ALBERT GARLATTI";"E";"ALBERT GARLATTI";"2014-11-14 00:00:00"
1691271;"ALBERT GARLATTI CONSTRUCTION";"E";"ALBERT GARLATTI CONSTRUCTION CO";"2014-11-14 00:00:00"
1680892;"AG HOG PITTSBURGH";"E";"AG-HOG PITTSBURGH CO INC";"2014-11-14 00:00:00"
1680893;"AGHOG PITTSBURGH";"E";"AGHOG PITTSBURGH CO";"2014-11-14 00:00:00"
1680928;"AGILE PURSUITS FRACHISING";"E";"AGILE PURSUITS FRACHISING INC";"2014-11-14 00:00:00"
1680929;"AGILE PURSUITS FRANCHISING";"E";"AGILE PURSUITS FRANCHISING INC";"2014-11-14 00:00:00"
1680956;"AGING COMMUNITY COORDINATED ENTERPRISES & SUPPORT";"E";"AGING COMMUNITY COORDINATED ENTERPRISES & SUPPORT";"2014-11-14 00:00:00"
1680957;"AGING COMMUNITY COORDINATED ENTERPRISES & SUPPORTI";"E";"AGING COMMUNITY COORDINATED ENTERPRISES & SUPPORTI";"2014-11-14 00:00:00"
正如你所看到的,我创建了一个gist trigram索引来加快速度(到目前为止尝试了两种不同的类型进行比较) . 有没有人对如何提高此查询的性能以及从11小时内将其降低到更易于管理的问题有任何建议?最后,我想在整个表上运行此查询来比较记录,而不仅仅是这个小子集 .
1 回答
指数
部分GiST指数是好的,我至少会测试这些额外的两个指数:
GIN指数:
这可能会也可能不会使用 . 如果升级到Postgres 9.4,可能会更好,因为GIN索引有了重大改进 .
varchar_pattern_ops索引:
查询
当您针对所有行检查所有行时,此查询的核心问题是您正在与 O(N²) 进行交叉连接 . 对于大量的行,性能变得难以忍受 . 你似乎很清楚这种动态 . 辩护是限制可能的组合 . 你已朝这个方向迈出了一步,限制了相同的第一个字母 .
这里一个非常好的选择是 Build 在 GiST indices 的特殊天赋上,用于 nearest neighbour 搜索 . 这种查询技术有一个hint in the manual:
除了GiST索引之外,还可以使用 GIN index . 你必须权衡成本和收益 . 在9.4之前的版本中坚持使用一个大索引可能会更便宜 . 但它可能在第9.4页中值得 .
Postgres 9.2
使用 correlated subqueries 替换尚未存在的缺失
LATERAL
join:显然,这也需要一个
ref_name_id
的索引,它通常应该是PK,因此自动索引 .我在SQL Fiddle中添加了 two more variants .
Postgres 9.3
使用
LATERAL
join将匹配集设置为set . 与此相关答案中的第2a章类似:SQL Fiddle所有变体与您的案例后建模的40k行的原始查询进行比较 .
查询比你在小提琴中的原始速度快2到5倍 . 而且我希望它们能够在数百万行的情况下更好地扩展 . 你必须测试 .
将
b
中的匹配搜索扩展到所有行(同时将a
中的候选限制为合理的数字)也相当便宜 . 我在小提琴中添加了另外两个变体 .旁白:我用
text
而不是varchar
运行所有测试,但这不应该有所作为 .基础知识和链接: