千万级数据库记录模糊匹配效率问题

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 2549 天前的主题，其中的信息可能已经有所发展或是发生改变。

存量数据库记录 ID 姓名（%50 ）性别（ 10%）手机号（ 20%）籍贯（%10 ）电子邮箱（ 10%） 1 张三女 13800001111 山西太原 [email protected] 2 张三男 13800001111 山西太原 [email protected] 3 李四男 15611112345 湖南长沙 [email protected] 4 王五男 17022220000 广东广州 [email protected]

新增记录 5 李四女 15611112345 广西桂林 [email protected]

需求是新增记录时做相似性匹配：规则如下相似性=(李四==李四)*50% + (男==女)10%+(15611112345==15611112345)20%+(湖南长沙==广西桂林)10%+([email protected][email protected])10%= 150% + 010% + 120% + 0%10% + 110% = 80% >=80% 按照规则，各字段加权计算，阈值设为 80%时，表示记录 5 和记录 3 是相似的。

存在问题：现在问题是存量记录表有上“千万”记录，每次新添加记录时需要与存量的记录进行相似度匹配，但是每次都遍历扫描数据库效率太低。请问有没有什么好的方式 /算法？或者使用其他数据结构代替关系数据库进行记录存储？使得匹配时间控制在 1 分钟级别左右。

[email protected]

记录

李四

数据库

17 条回复 • 2017-12-05 17:22:21 +08:00

forkme

2017-12-04 11:30:27 +08:00

mpich

2017-12-04 11:30:47 +08:00

ES ？

forkme

2017-12-04 11:32:44 +08:00

@mpich 什么 ES ？不懂

kxxoling

2017-12-04 11:40:11 +08:00 via iPad

@forkme elastic search

gamexg

2017-12-04 11:47:19 +08:00

@forkme #3 es 指的是 Elasticsearch。
看需求怎么和之前的一个做小货的帖子需求类是，他的只要求匹配相识的通信录。

但是仔细看了下需求，没什么难度吧？
给姓名做索引，然后第一个筛选掉姓名，只要姓名不符合怎么也不可能达到 80%。
另外重名的数据量应该不大，之后直接遍历吧。

如果数据库压力大上个 kv 储存来保存姓名。

zhengxiaowai

2017-12-04 11:59:24 +08:00

ES 太重千万的数据量不需要要用到，而且学习曲线不友好。

推荐使用 pg 的 ts_query 可以设置 rank，效率也不错，挺好上手的

ytmsdy

2017-12-04 12:20:16 +08:00

上个 SSD 试试看。。

tomczhen

2017-12-04 12:28:43 +08:00

不知道你当前的 sql 是怎么写的，感觉这种 100 分制后面也许会有问题，如果再加一个条件，比例要重新分配？业务代码相关部分都得改？

select a,b,c,d,e, sum(weights) from (
select a,b,c,d,e,1 as weights from table where a = '李四' and b = '女'
union all
select a,b,c,d,e,2 as weights from table where a = '李四' and c = '15611112345'
union all
select a,b,c,d,e,1 as weights from table where a = '李四' and d = '广西桂林'
union all
select a,b,c,d,e,1 as weights from table where a = '李四' and e = '[email protected]'
)
group by a,b,c,d,e
having sum(weights)>=3;