我正在尝试运行一个将表连接到自身的查询，并进行模糊字符串比较（使用trigram比较）以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，因此它只会带回很可能包含类似字符串的匹配。
我知道自联接本质上可以导致许多比较，但我希望尽我所能优化我的查询。我不需要即时获得结果，但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。我不知道ref_name字段的最大长度（字段I＆＃39; m匹配）是什么，因此我将其设置为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语言区域设置为"en_US.UTF-8"
我运行查询的表总共包含大约160万条记录，但是我需要运行11小时的查询就是其中的一小部分（大约100k）。
表格结构：
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。
答案 0 :(得分：6)
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：
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：
CREATE INDEX ref_name_pattern_ops_idx
ON ref_name (ref_name varchar_pattern_ops)
WHERE ref_name_type = 'E';
在查询所有行的所有行时，此查询的核心问题是您遇到了与 O（N²）的交叉连接。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建立在最近邻居搜索的 GiST索引的特殊人才之上。此查询技术有hint in the manual：
这可以通过GiST索引非常有效地实现，但不能通过 GIN索引。当它只有一个时，它通常会击败第一个配方 需要少量最接近的匹配。
GIN索引仍可能另外使用GiST索引。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。但它在第9.4页中可能是值得的。
使用相关子查询替换尚未存在的缺失LATERAL联接：
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ref_name_id上的索引，它通常应该是PK，因此会自动编入索引。
我在SQL Fiddle中添加了另外两个变体。
使用LATERAL联接来匹配要设置的集合。与此相关答案中的 2a 章节类似：
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;
SQL Fiddle所有变体与您在案例之后建模的40k行的原始查询进行比较。
查询比你小提琴中的原作快2到5倍。而且我希望它们可以更好地扩展并拥有数百万行。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数量）也相当便宜。我为小提琴添加了另外两个变体。
除此之外：我使用text代替varchar运行了所有测试，但这不应该有所作为。
基础知识和链接：