3

我正在尝试运行一个查询，该查询将一个表与自身连接起来并进行模糊字符串比较（使用三元组比较）以查找可能的公司名称匹配项。我的目标是返回一条记录的公司名称（ref_name 字段）的三元组相似度与另一条记录的公司名称匹配的记录。目前，我将阈值设置为 0.9，因此它只会带回很可能包含相似字符串的匹配项。

我知道自联接本质上会导致许多比较，但我想尽我所能优化我的查询。我不需要立即得到结果，但目前我正在运行的查询需要 11 个小时才能运行。

我在 Ubuntu 12.04 服务器上运行 Postgres 9.2。我不知道 ref_name 字段（我匹配的字段）的最大长度是多少，所以我将它设置为varchar(300). 我想知道将其设置为文本类型是否会影响性能，或者是否有更好的字段类型可用于提高性能。我的LC_CTYPE和LC_COLLATE语言环境设置为"en_US.UTF-8"

我正在运行查询的表总共包含大约 160 万条记录，但我需要 11 个小时才能运行的查询是其中的一小部分（大约 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;

询问：

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）。有人对我如何提高此查询的性能并将其从 11 小时缩短到更易于管理的时间有任何建议吗？最终我想在整个表上运行这个查询来比较记录，而不仅仅是这个小子集。

4

1 回答 1

7

指数

部分 GiST 指数很好，我至少会测试这两个额外的指数：

一个 GIN 指数：

CREATE INDEX ref_name_trgm_gin_idx ON ref_name
USING gin (ref_name gin_trgm_ops)
WHERE ref_name_type = 'E';

这可能会或可能不会被使用。如果您升级到 Postgres 9.4，机会会大得多，因为 GIN 索引有了重大改进。

varchar_pattern_ops 索引：

CREATE INDEX ref_name_pattern_ops_idx
ON ref_name (ref_name varchar_pattern_ops)
WHERE ref_name_type = 'E';

询问

此查询的核心问题是，在针对所有行检查所有行时，您遇到了O(N²)的交叉连接。行数非常多时，性能变得难以忍受。你似乎很清楚动态。防御是限制可能的组合。你已经朝着这个方向迈出了一步，限制在同一个首字母。

这里一个很好的选择是建立在GiST 索引的特殊才能上，用于最近邻搜索。手册中有此查询技术的提示：

这可以通过 GiST 索引非常有效地实现，但不能通过 GIN 索引。当只需要少量最接近的匹配时，它通常会击败第一个公式。

除了GiST 索引之外，可能仍会使用GIN索引。你必须权衡成本和收益。总体而言，在 9.4 之前的版本中坚持使用一个大索引可能会更便宜。但这在 pg 9.4 中可能是值得的。

Postgres 9.2

使用相关子查询来代替尚不存在的缺失LATERAL连接：

SELECT a.*
     , b.ref_name     AS match_name
     , b.name_display AS match_name_display
FROM  (
   SELECT ref_name_id
        , ref_name
        , name_display
        , (SELECT ref_name_id AS match_name_id
           FROM   ref_name b
           WHERE  ref_name_type = 'E'
           AND    ref_name ~~ 'A%'
           AND    ref_name_id > a.ref_name_id
           AND    ref_name % a.ref_name
           ORDER  BY ref_name <-> a.ref_name
           LIMIT  1                                -- max. 1 best match
          )
   FROM   ref_name a
   WHERE  ref_name ~~ 'A%'
   AND    ref_name_type = 'E'
   ) a
JOIN   ref_name b ON b.ref_name_id = a.match_name_id
ORDER  BY 1;

显然，这也需要一个索引 on ref_name_id，它通常应该是 PK，因此会自动索引。

我在SQL Fiddle添加了另外两个变体。

Postgres 9.3+

使用LATERAL连接进行匹配集来设置。与此相关答案中的第2a章类似：

SELECT a.ref_name_id
     , a.ref_name
     , a.name_display
     , b.ref_name_id  AS match_name_id
     , b.ref_name     AS match_name
     , b.name_display AS match_name_display
FROM   ref_name a
,   LATERAL (
   SELECT b.ref_name_id, b.ref_name, b.name_display
   FROM   ref_name b
   WHERE  b.ref_name ~~ 'A%'
   AND    b.ref_name_type = 'E'
   AND    a.ref_name_id < b.ref_name_id
   AND    a.ref_name % b.ref_name  -- also enforce min. similarity
   ORDER  BY a.ref_name <-> b.ref_name
   LIMIT  10                                -- max. 10 best matches
   ) b
WHERE  a.ref_name ~~ 'A%'   -- you can extend the search
AND    a.ref_name_type = 'E'
ORDER  BY 1;

与以您的案例为模型的 40k 行上的原始查询相比，具有所有变体的SQL Fiddle 。

查询速度比小提琴中的原始查询快 2 到 5 倍。我希望它们能够更好地扩展数百万行。你必须进行测试。

将匹配的搜索扩展b到所有行（同时将候选者限制在a合理的数量内）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而不是运行所有测试varchar，但这不应该有所作为。

基础知识和链接：

于 2015-03-26T05:57:50.210 回答