我可以找到与某些查询“接近”的文本吗？

Question

我的数据库中有一个名为text的表。它将类似于this is an example of lite coin。我想为此查询litecoin和附近的事物（例如lite coin）。有什么方法可以通用地执行此操作，因为我将有多个查询。也许是最大Levenshtein距离的东西？

Answer 1

PostgreSQL的core extension实现了Levenshtein距离。对于长度不相等的字符串（如您的示例），距离必然会很大。因此，除非在其中搜索的所有短语都具有相同的长度，否则您将必须实现某种标准化方法。

我认为Levenshtein不可索引。您可以改用可索引的trigram distance。

Answer 2

Trigram建议上的

+1。 Postgres中的Trigram是 excellent ，并且可以肯定地是可索引的。根据您选择的索引选项（GIN或GiST），您可以访问不同的运算符。如果我没记错的话，GiST会为您提供单词的距离公差，并让您按顺序搜索它们。您可以指定两个搜索词之间的期望词数，以及更多。 （如果我没记错的话。）GIN和GiST都值得尝试。

Levenshtein比较两个特定的字符串，因此它不适合索引。您会索引什么？比较字符串事先未知。您可以按列中的每个字符串对每个字符串进行索引，并且除了O（aaaargh！）复杂性之外，索引中仍然可能不像搜索字符串那样复杂。

提示：如果必须使用Levenshtein，并且在有用处非常好，您可以 廉价地从比较中消除很多行。如果您有10个字符的搜索字符串，并且只希望字符串的距离为2，则可以从考虑中删除更长或更短的字符串，而不必担心丢失任何匹配项。

您可能会发现您希望将Levenshtein（或Jaccard等）应用于三元组发现的可能匹配项。但是，老实说，Levenshtein本质上偏向于以相同顺序排列的弦。轻币/轻币/莱特币可以这样做，但是当单词可以以任何顺序排列时（如名字和姓氏，大量地址数据以及许多类似短语的搜索）都无济于事。

要考虑的另一件事，取决于您的查询范围，是使用tsvector的全文本搜索。这些也是可索引的，并且还支持各种运算符。