带有字符串比较的连接表的性能

Question

我有两张大桌子，我需要将它们拼在一起。匹配不应该是明确的比较。我使用了 trigrams、Levenshtein 公式，但我的表现非常弱。也许有人可以帮助提高绩效。 A表的大小约为20万行，B表的大小约为60万行。

   CREATE TABLE TBL_A(NAME VARCHR,SURNAME VARCHAR, BIRTH_DATE DATE, TABLE_B_ID INT4);
   CREATE TABLE TBL_B(ID INT4, NAME VARCHR, SURNAME VARCHAR, BIRTH_DATE DATE);
--variant 1
SET pg_trgm.similarity_threshold = 0.8; 
UPDATE TBL_A A SET TABLE_B_ID = B.ID
FROM TBL_B B
WHERE A.NAME % B.NAME
AND A.SURNAME % B.SURNAME
AND ABS(A.BIRTH_DATE ::DATE - B.BIRTH_DATE ::DATE)<=1 
--variant 2
UPDATE TBL_A A SET TABLE_B_ID = B.ID
FROM TBL_B B
WHERE A.NAME = B.NAME
AND A.SURNAME = B.SURNAME
AND ABS(A.BIRTH_DATE ::DATE - B.BIRTH_DATE ::DATE)<=1   
--variant 3
UPDATE TBL_A A SET TABLE_B_ID = B.ID
FROM TBL_B B
WHERE levenshtein_less_equal (A.NAME ,B.NAME,2)<=2
AND levenshtein_less_equal (A.SURNAME ,B.SURNAME,2)<=2 
AND ABS(A.BIRTH_DATE ::DATE - B.BIRTH_DATE ::DATE)<=1 

所有这些选项的性能都很差（接近大约 7 小时）。我尝试创建索引，但速度没有提高多少

CREATE INDEX ind_a_name ON TBL_A USING gist(NAME  trm_gist_ops);
CREATE INDEX ind_a_Surname ON TBL_A USING gist(SURNAME  trm_gist_ops);

Answer 1

遗憾的是，Levenshtein 距离比较无法建立索引。每次比较都是两个输入字符串的函数。

人们通常通过使用消除大部分比较的两阶段 where 子句来解决此类问题，然后应用 Levenshtein 的字符串距离函数。

你能设计一个单射函数

f(name)

来产生

name

的某种签名吗？举个简单的例子，它可以从名字中删除元音。 SOUNDEX() 就是这样一个函数，但它确实很粗糙，并且仅适用于北美名称。 Metaphone 是类似的功能。 （想出这些功能的人都是说英语的人。）

如果你这样做，那么你可以用

填充你的表格

   name, signature_name

在

(signature_name, name)

上放置索引，然后使用此 WHERE 过滤器。

 WHERE A.signature_name = B.signature_name
   AND levenshtein_less_equal (A.name,B.name,2)<=2

技巧：使用索引列进行大部分比较工作，并且仅当您已经知道自己有接近的匹配时才使用 Levenshtein。