在 SQL 中，如何检查一个字符串是否是同一个表中任何其他字符串的子字符串？

Question

我有一个充满字符串的表 (TEXT)，我喜欢获取同一个表中任何其他字符串的子字符串的所有字符串。例如，如果我的表中有这三个字符串：

WORD        WORD_ID
cup         0
cake        1
cupcake     2

根据我的查询，我想得到这样的结果：

WORD        WORD_ID        SUBSTRING        SUBSTRING_ID
cupcake     2              cup              0
cupcake     2              cake             1 

我知道我可以使用两个循环（使用 Python 或 JS）来执行此操作，方法是遍历表中的每个单词并将其与同一个表中的每个单词进行匹配，但我不确定如何使用SQL（就此而言是 PostgreSQL）。

Answer 1

使用自联接：

select w1.word, w1.word_id, w2.word, w2.word_id
from words w1
join words w2
on w1.word <> w2.word
and w1.word like format('%%%s%%', w2.word);

  word   | word_id | word | word_id 
---------+---------+------+---------
 cupcake |       2 | cup  |       0
 cupcake |       2 | cake |       1
(2 rows)

Answer 2

我会这样处理：

select w1.word_id, w1.word, w2.word_id as substring_id w2.word as substring
from words w1 join
     words w2
     on w1.word like '%' || w2.word || '%' and w1.word <> w2.word;

注意：这可能比在应用程序中执行循环要快一些。但是，此查询将在 Postgres 中作为嵌套循环实现，因此不会非常快。

Answer 3

问题

该任务有可能使您的数据库服务器停止处理非平凡大小的表，因为只要您不能为其使用索引，这是一个 O(N²) 问题。

在顺序扫描中，您必须检查两行的每个可能组合，即 n * (n-1) / 2 组合 - Postgres 将运行 n * n-1 测试，因为排除反向重复组合并不容易。如果您对第一场比赛感到满意，它会变得更便宜 - 多少取决于数据分布。对于许多匹配，Postgres 会提前找到一行匹配，并且可以跳过测试其余部分。对于少数匹配项，无论如何都必须执行大部分检查。

无论哪种方式，性能都会随着表中的行数而迅速下降。使用EXPLAIN ANALYZE 和表中的 10、100、1000 等行测试每个查询，以亲自查看。

解决方案

在word 上创建一个三元组索引 - 最好是GIN。

CREATE INDEX tbl_word_trgm_gin_idx ON tbl USING gin (word gin_trgm_ops);

详情：

• PostgreSQL LIKE query performance variations

到目前为止，两个答案中的查询都不会使用索引，即使您拥有它。使用可以实际使用此索引的查询：

列出所有个匹配项（根据问题正文）：
使用LATERAL CROSS JOIN：

SELECT t2.word_id, t2.word, t1.word_id, t1.word
FROM   tbl t1
     , LATERAL (
   SELECT word_id, word
   FROM   tbl
   WHERE  word_id <> t1.word_id
   AND    word like format('%%%s%%', t1.word)
   ) t2;

仅获取具有 any 匹配 的行（根据您的标题）： 使用EXISTS 半连接：

SELECT t1.word_id, t1.word
FROM   tbl t1
WHERE EXISTS (
   SELECT 1
   FROM   tbl
   WHERE  word_id <> t1.word_id
   AND    word like format('%%%s%%', t1.word)
   );