优化在文本搜索中使用正则表达式的 psql 查询

Posted 2023-03-22

【中文标题】优化在文本搜索中使用正则表达式的 psql 查询

【英文标题】：Optimizing psql query that's using regex on text search

【发布时间】：2022-01-20 00:31:19

【问题描述】：

在 psql 中我有以下查询。

关于如何加快/优化它的建议？

我在标题和标题上尝试了各种索引，但都没有被使用。

"SELECT \"people\".* FROM \"people\" WHERE (((TITLE IS NOT NULL AND title ~* '(^| )(one|two|three)( |$|,)' AND title !~* '(^| )(four|five|six)( |$|,)') OR (TITLE IS NULL AND headline ~* '(^| )(one|two|three)( |$|,)' AND headline !~* '(^| )(four|five|six)( |$|,)')) AND ((TITLE IS NOT NULL AND title ~* '(^| )(seven|eight|nine)( |$|,)' AND title !~* '(^| )(ten|eleven)( |$|,)') OR (TITLE IS NULL AND headline ~* '(^| )(seven|eight|nine)( |$|,)' AND headline !~* '(^| )(ten|eleven)( |$|,)')))"

这里是解释：

 Gather  (cost=1000.00..286343.58 rows=61760 width=715)                                                                                                                                                                               
   Workers Planned: 2                                                                    
   ->  Parallel Seq Scan on people  (cost=0.00..279167.58 rows=25733 width=715)                                                                                                                                                       
         Filter: ((((title IS NOT NULL) AND ((title)::text ~* '(^| )(one|two|three)( |$|,)'::text) AND ((title)::text !~* '(^| )(four|five|six)( |$|,)'::text)) OR ((title IS NULL) AND ((headline)::text ~* '(^| )(one|two|three)( |$|,)'::text) AND ((headline)::text !~* '(^| )(four|five|six)( |$|,)'::text))) AND (((title IS NOT NULL) AND ((title)::text ~* '(^| )(seven|eight|nine)( |$|,)'::text) AND ((title)::text !~* '(^| )(ten|eleven)( |$|,)'::text)) OR ((title IS NULL) AND ((headline)::text ~* '(^| )(seven|eight|nine)( |$|,)'::text) AND ((headline)::text !~* '(^| )(ten|eleven)( |$|,)'::text))))
 JIT:                                                                     
   Functions: 2                                         
   Options: Inlining false, Optimization false, Expressions true, Deforming true                                                                                                                                                      
(7 rows)     

【问题讨论】：

由于您没有指定列的第一个字符，因此不会使用标准表上的标准索引。尝试使用 postgres 的 full text search 功能。

数据库正则表达式和索引并不是很好。也就是说，实现起来并不是一件简单的事情。我有这个presentation 在这里收藏了一段时间，以满足我过去的需要。这很有趣，可以说明这个问题有多复杂。另一种方法是使用特定模块，例如pg_trgm，尽管它需要对您的查询进行大量调整，祝您好运。抱歉帮不上什么忙

@Bohemian 你把我带到了正确的地方。如果您将其移至答案，我会将其标记为这样。谢谢！

【参考方案1】：

除非条件中指定了列的前导部分，否则传统的关系数据库不会对列使用索引，即：

... where my_column like 'FOO%' -- will (usually) use index
... where my_column like '%FOO%' -- will (usually) not use index

要有效地搜索内容中的术语，您需要基于文本的搜索技术。

幸运的是，postgres 提供了对full text search 的支持，这将为您的任务提供出色的性能和方便的语法。

【参考方案2】：

如果我在正确的列上创建一个三元索引，它将直接支持这一点。

令我惊讶的是，它实际上也非常有效。这并不总是给定的，某些正则表达式无法分解为一组有效的三元组。

create extension pg_trgm;
create index on people using gin (title gin_trgm_ops, headline gin_trgm_ops);

给出百万行表的亚毫秒计划：

 Bitmap Heap Scan on people  (cost=547.25..551.28 rows=1 width=12) (actual time=0.741..0.743 rows=1 loops=1)
   Recheck Cond: (((title ~* '(^| )(one|two|three)( |$|,)'::text) OR (headline ~* '(^| )(one|two|three)( |$|,)'::text)) AND ((title ~* '(^| )(seven|eight|nine)( |$|,)'::text) OR (headline ~* '(^| )(seven|eight|nine)( |$|,)'::text)))
   Filter: ((((title IS NOT NULL) AND (title ~* '(^| )(one|two|three)( |$|,)'::text) AND (title !~* '(^| )(four|five|six)( |$|,)'::text)) OR ((title IS NULL) AND (headline ~* '(^| )(one|two|three)( |$|,)'::text) AND (headline !~* '(^| )(four|five|six)( |$|,)'::text))) AND (((title IS NOT NULL) AND (title ~* '(^| )(seven|eight|nine)( |$|,)'::text) AND (title !~* '(^| )(ten|eleven)( |$|,)'::text)) OR ((title IS NULL) AND (headline ~* '(^| )(seven|eight|nine)( |$|,)'::text) AND (headline !~* '(^| )(ten|eleven)( |$|,)'::text))))
   Rows Removed by Filter: 2
   Heap Blocks: exact=1
   ->  BitmapAnd  (cost=547.25..547.25 rows=1 width=0) (actual time=0.701..0.702 rows=0 loops=1)
         ->  BitmapOr  (cost=241.50..241.50 rows=200 width=0) (actual time=0.395..0.395 rows=0 loops=1)
               ->  Bitmap Index Scan on people_title_headline_idx  (cost=0.00..120.75 rows=100 width=0) (actual time=0.208..0.208 rows=80 loops=1)
                     Index Cond: (title ~* '(^| )(one|two|three)( |$|,)'::text)
               ->  Bitmap Index Scan on people_title_headline_idx  (cost=0.00..120.75 rows=100 width=0) (actual time=0.186..0.186 rows=60 loops=1)
                     Index Cond: (headline ~* '(^| )(one|two|three)( |$|,)'::text)
         ->  BitmapOr  (cost=305.50..305.50 rows=200 width=0) (actual time=0.301..0.301 rows=0 loops=1)
               ->  Bitmap Index Scan on people_title_headline_idx  (cost=0.00..152.75 rows=100 width=0) (actual time=0.145..0.145 rows=3 loops=1)
                     Index Cond: (title ~* '(^| )(seven|eight|nine)( |$|,)'::text)
               ->  Bitmap Index Scan on people_title_headline_idx  (cost=0.00..152.75 rows=100 width=0) (actual time=0.156..0.156 rows=2 loops=1)
                     Index Cond: (headline ~* '(^| )(seven|eight|nine)( |$|,)'::text)

如果没有索引，则需要 500 毫秒。

但是，如果每一行都匹配正表达式，但随后通过匹配负表达式 (!~*) 排除，则没有索引可以帮助您。