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性计算的结果，其中＆gt;的相似性80％表示两个错误相等。我一直在使用pg_trgm扩展，它的相似性函数对我来说非常合适，我唯一可以弄清楚如何在下面生成分组结果。

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

Answer 1

基本上你可以自己加入一个表来找到类似的字符串，但是这种方法最终会在一个更大的数据集上查询得非常慢。此外，在某些情况下使用similarity()可能会导致不准确（您需要找到适当的限制值）。

您应该尝试寻找模式。例如，如果字符串中的所有变量字都以数字开头，则可以使用regexp_replace():

对其进行掩码

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)

因此您可以通过错误消息轻松对数据进行分组：

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，因为具体的解决方案取决于数据格式。

使用pg_trgm

基于OP的想法的解决方案（见下面的评论）。 similarity()的限制0.8肯定太高了。它似乎应该在0.6左右。

唯一错误表（我使用过临时表但当然也是常规表）：

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

ids列用于存储包含类似错误的基表行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)

如何使用pg_trgm按类似值进行分组

1 个答案:

使用pg_trgm