如何使用 pg_trgm 按相似值分组

Question

我有下表

id error
-  ----------------------------------------
1  Error 1234eee5, can not write to disk
2  Error 83457qwe, can not write to disk
3  Error 72344ee, can not write to disk
4  Fatal barier breach on object 72fgsff
5  Fatal barier breach on object 7fasdfa
6  Fatal barier breach on object 73456xcc5

我希望能够得到一个按相似度计算的结果，其中 > 80% 的相似度意味着两个错误相等。我一直在使用 pg_trgm 扩展，它的相似函数对我来说非常有效，我唯一能弄清楚如何产生下面的分组结果。

Error                                  Count
-------------------------------------  ------
Error 1234eee5, can not write to disk, 3
Fatal barier breach on object 72fgsff, 3

Answer 1

基本上，您可以将一个表与自身连接起来以查找相似的字符串，但是这种方法会导致对较大数据集的查询非常缓慢。此外，在某些情况下使用similarity() 可能会导致不准确（您需要找到合适的限制值）。

您应该尝试寻找模式。例如，如果字符串中的所有变量词都以数字开头，您可以使用 regexp_replace(): 屏蔽它们

select id, regexp_replace(error, '\d\w+', 'xxxxx') as error
from errors;

 id |                error                
----+-------------------------------------
  1 | Error xxxxx, can not write to disk
  2 | Error xxxxx, can not write to disk
  3 | Error xxxxx, can not write to disk
  4 | Fatal barier breach on object xxxxx
  5 | Fatal barier breach on object xxxxx
  6 | Fatal barier breach on object xxxxx
(6 rows)    

这样您就可以轻松地按错误消息对数据进行分组：

select regexp_replace(error, '\d\w+', 'xxxxx') as error, count(*)
from errors
group by 1;

                error                | count 
-------------------------------------+-------
 Error xxxxx, can not write to disk  |     3
 Fatal barier breach on object xxxxx |     3
(2 rows)

以上查询只是一个示例，具体解决方案取决于数据格式。

使用 pg_trgm

基于 OP 想法的解决方案（参见下面的 cmets）。 similarity() 的限制 0.8 肯定太高了。看起来应该是 0.6 左右。

unique 错误的表（我使用了一个临时表，但它当然也是一个常规表）：

create temp table if not exists unique_errors(
    id serial primary key, 
    error text, 
    ids int[]);

ids 列用于存储基表中包含类似错误的行的id。

do $$
declare
    e record;
    found_id int;
begin
    truncate unique_errors;
    for e in select * from errors loop
        select min(id)
        into found_id
        from unique_errors u
        where similarity(u.error, e.error) > 0.6;
        if found_id is not null then
            update unique_errors
            set ids = ids || e.id
            where id = found_id;
        else
            insert into unique_errors (error, ids)
            values (e.error, array[e.id]);
        end if;
    end loop;
end $$;

最终结果：

select *, cardinality(ids) as count
from unique_errors;

 id |                 error                 |   ids   | count 
----+---------------------------------------+---------+-------
  1 | Error 1234eee5, can not write to disk | {1,2,3} |     3
  2 | Fatal barier breach on object 72fgsff | {4,5,6} |     3
(2 rows)