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由相似性来计算的结果，其中相似度> 80%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用，这是我唯一能知道如何生成下面的分组结果的东西。

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

Answer 1

基本上，您可以自己加入一个表来查找类似的字符串，但是这种方法在更大的数据集中以一个非常慢的查询结束。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值)。

你应该试着找出模式。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():掩蔽它们。

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)    

因此，您可以轻松地根据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)

上面的查询只是一个示例，因为特定的解决方案取决于数据格式。

使用pg_trgm

该解决方案基于OP的想法(请参阅下面的注释)。similarity()的限值0.8当然太高了。似乎应该在大约0.6的地方。

该表用于唯一错误(我使用了一个临时表，当然它也是一个常规表)：

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

最后结果：

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)

Answer 2

对于这种特殊情况，您可以只按左分组( Error，5)，这将导致两个组，一个组包含以Error开头的所有字符串，另一个组包含以致命开头的所有字符串。如果计划添加更多错误类型，则必须更新此标准。